20243310《Python程序设计》实验四报告

课程：《Python程序设计》实验四报告
班级： 2433
姓名： 倪昊
学号：20243310
实验教师：王志强
实验日期：2025年6月8日
必修/选修： 公选课

1.实验内容
设计一个基于历史天气数据的天气预测程序，主要实现以下功能：

​天气数据管理​：
存储每日天气数据（日期、最高温、最低温、天气状况）
添加和管理历史天气记录
​
天气预测算法​：
使用加权移动平均法预测温度
基于最近天气模式预测天气状况
考虑温度趋势进行预测调整
​
预测可视化​：
生成明日天气预报
展示预测结果与实际天气对比

2. 实验过程及结果
   实验过程：
   (1) 设计天气数据代码
   
   
   
   
   

import datetime
import random

class WeatherPredictor:
# 可用天气状况
CONDITIONS = ['晴', '多云', '阴', '小雨', '中雨', '大雨']

def __init__(self):
    self.weather_data = []
    
def add_daily_weather(self, date, high_temp, low_temp, condition):
    #添加每日天气数据
    self.weather_data.append({
        'date': date,
        'high_temp': high_temp,
        'low_temp': low_temp,
        'condition': condition
    })
    
def get_last_week_data(self):
    #获取最近7天的天气数据
    if len(self.weather_data) < 7:
        raise ValueError("需要至少7天的历史天气数据")
    return self.weather_data[-7:]

def predict_tomorrow(self):
    #预测明天的天气
    last_week = self.get_last_week_data()
    
    # 温度预测 - 加权平均（最近日期权重更大）
    weights = [0.1, 0.1, 0.15, 0.15, 0.2, 0.2, 0.25]
    avg_temp = sum((d['high_temp'] + d['low_temp'])/2 * w 
                  for d, w in zip(last_week, weights)) / sum(weights)
    #emm，这里大概就是把前几天的温度进行一个加权的计算，我就按照
    #距离今天的远近来当权重，不算很合理
    
    # 温度变化趋势预测
    temp_changes = [d['high_temp'] - last_week[i-1]['high_temp'] 
                   for i, d in enumerate(last_week) if i > 0]
    temp_trend = sum(temp_changes[-3:]) / 3 if temp_changes else 0
    
    # 天气状况预测
    # 优先考虑连续相同天气的趋势
    recent_conditions = [d['condition'] for d in last_week[-3:]]
    if all(c == recent_conditions[0] for c in recent_conditions):
        condition = recent_conditions[0]
    else:
        # 否则选择本周最常见的天气
        condition_counts = {c: 0 for c in self.CONDITIONS}
        for d in last_week:
            condition_counts[d['condition']] += 1
        condition = max(condition_counts, key=condition_counts.get)
    
    # 根据温度趋势调整温度预测
    predicted_high = round(avg_temp + temp_trend * 0.7 + random.uniform(-1, 1), 1)
    predicted_low = round(avg_temp - 5 + random.uniform(-1, 1), 1)
    
    return {
        'date': last_week[-1]['date'] + datetime.timedelta(days=1),
        'high_temp': predicted_high,
        'low_temp': predicted_low,
        'condition': condition
                                                     }

def generate_sample_data(days=7):
#生成样本天气数据，额为了程序实现，就随机生成了大概范围内的温度
base_date = datetime.date.today() - datetime.timedelta(days=days+1)
return [
{
'date': base_date + datetime.timedelta(days=i),
'high_temp': random.randint(18, 30),
'low_temp': random.randint(10, 22),
'condition': random.choice(WeatherPredictor.CONDITIONS)
}
for i in range(1, days+1)
]

if name == "main":
# 创建天气预测器
predictor = WeatherPredictor()

# 生成并添加样本数据
sample_data = generate_sample_data()
for data in sample_data:
    predictor.add_daily_weather(**data)

# 预测明天的天气
try:
    prediction = predictor.predict_tomorrow()
    print("\n明日天气预报:")
    print(f"日期:    {prediction['date']}")
    print(f"最高温度: {prediction['high_temp']}°C")
    print(f"最低温度: {prediction['low_temp']}°C")
    print(f"天气状况: {prediction['condition']}")
    
    # 生成可能的实际天气进行比较
    actual = {
        'high_temp': prediction['high_temp'] + random.uniform(-3, 3),
        'low_temp': prediction['low_temp'] + random.uniform(-2, 2),
        'condition': random.choice(WeatherPredictor.CONDITIONS)
    }
    actual['high_temp'] = round(max(actual['high_temp'], prediction['low_temp'] + 2), 1)
    actual['low_temp'] = round(min(actual['low_temp'], prediction['high_temp'] - 2), 1)
    
    print("\n可能的实际天气:")
    print(f"最高温度: {actual['high_temp']}°C")
    print(f"最低温度: {actual['low_temp']}°C")
    print(f"天气状况: {actual['condition']}")
    
except ValueError as e:
    print(f"错误: {e}")

（2）算法核心逻辑
def predict_tomorrow(self):
last_week = self.get_last_week_data()

# 温度预测 - 加权平均（最近日期权重更大）
weights = [0.1, 0.1, 0.15, 0.15, 0.2, 0.2, 0.25]
avg_temp = sum((d['high_temp'] + d['low_temp'])/2 * w 
              for d, w in zip(last_week, weights)) / sum(weights)

# 温度变化趋势预测
temp_changes = [d['high_temp'] - last_week[i-1]['high_temp'] 
               for i, d in enumerate(last_week) if i > 0]
temp_trend = sum(temp_changes[-3:]) / 3 if temp_changes else 0

实验结果：
​明日天气预测：

3. 实验中遇到的问题和解决过程
   问题1：温度预测不准确
   ​问题描述​：初始版本仅使用简单平均法，导致预测温度与实际偏差较大
   ​解决方案​：
   采用加权移动平均法，给近期数据更高权重（目前改动的）
   添加温度趋势分析，考虑近期温度变化方向（AI说的我不会）
   引入随机波动因子，模拟实际天气变化（更不会了）

问题2：天气状况预测模式单一
​问题描述​：最初只使用最常见天气状况预测，未考虑天气连续性
​解决方案​：
增加"连续相同天气检测"逻辑，如果最近3天天气相同则预测延续
引入天气状况转移概率模型，添加特殊天气模式检测（如连续阴雨后可能转晴）（AI说的，写不出来，临时AI一段程序加进去很多错）

4. 其他（感悟、思考等）
   ​算法选择的重要性​：
   天气预测需要平衡历史数据的权重和近期趋势的时效性
   简单算法经过精心调优也能获得较好的预测效果

​数据质量的关键作用​：
发现历史数据中的异常值会显著影响预测准确性
考虑添加季节因素、地理位置等额外维度可提升模型表现
​
工程实践的收获​：
从初始版本到最终产品经历多次迭代优化

​进一步改进方向​：
接入实时天气API获取更全面的数据
添加可视化图表展示温度变化趋势
实现7天天气预报功能
增加降雨量、湿度等更多气象参数预测

感悟：：：：：：：：：：：：
通过本次实验，我深刻理解了时间序列预测的基本原理和实践方法。虽然天气预测是一个复杂问题，但合理的特征选择和算法优化可以在小数据集上取得较好的结果。未来希望将这个程序扩展为完整的天气预报应用。
感谢老师一个学期以来的教导。师傅领进门，修行在个人，老师让我发现了python的乐趣，未来我会继续努力的！！！！！！！！！！！！！！！