You need to enable JavaScript to run this app. 使用已训练neural net神经网络预测明日气温的实现方法
优惠活动
大模型
产品
解决方案
定价
更多

使用已训练neural net神经网络预测明日气温的实现方法

明日气温预测实现方案

predict()就是你需要的正确函数,你对newdata参数的理解有偏差:这个参数只要求传入和训练集输入特征结构完全一致的数据,不限制必须是拆分好的测试集,你手动整理最新的历史观测数据传入即可。

具体实现步骤

  • 第一步:整理明日预测所需的特征数据,列名、字段顺序、数据类型必须和训练时的输入特征完全对齐。比如训练时你用到了湿度、气压、过去3天平均气温3个输入特征,那新的输入数据也必须包含完全相同的3个字段,不能多也不能少。
  • 第二步:用训练阶段完全相同的归一化参数处理新的输入数据。如果你训练时用的是min-max归一化,就用训练集的极值做归一化;如果是Z-score归一化,就用训练集的均值和标准差做归一化,绝对不能用新输入数据自己的统计量做归一化,否则预测结果会完全失真。
  • 第三步:调用predict函数生成预测结果,如果训练时你对气温标签也做了归一化,需要做逆归一化才能得到实际气温值。

代码示例

# 整理最新历史特征,结构和训练输入完全一致
tomorrow_input <- data.frame(
  Humidity = 最新观测的湿度值,
  air_pressure = 最新观测的气压值,
  prev_temp_avg = 计算得到的过去N天平均气温,
  # 剩余训练用到的特征一一补全
)

# 用训练集保存的归一化参数处理输入(示例为Z-score归一化,train_center、train_scale是训练时保存的均值、标准差向量)
tomorrow_input_scaled <- scale(tomorrow_input, center = train_center, scale = train_scale)

# 生成预测结果
tomorrow_pred_scaled <- predict(nn, newdata = tomorrow_input_scaled)

# 逆归一化得到实际气温(假设训练时气温标签用min-max归一化,train_temp_max、train_temp_min是训练集气温的极值)
tomorrow_pred_real <- tomorrow_pred_scaled * (train_temp_max - train_temp_min) + train_temp_min

关于测试集格式化的方案

完全可以实现,你只需要把测试集的结构作为模板,提取出输入特征部分,把对应字段替换为你最新的历史观测值,删除标签列即可,不需要额外调整其他逻辑。


内容的提问来源于stack exchange,提问作者Ferdinand Wehle

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.18 05:15:04