基于 UCI 真实数据的城市 PM2.5 预测与预警系统实战

关键词：PM2.5 预测、城市空气质量预测、UCI 真实数据、机器学习回归、GradientBoosting、AQI 预警、Streamlit 可视化、Python 数据分析项目、课程设计

摘要

这篇文章围绕一个可以直接运行的城市空气质量 PM2.5 预测与预警系统展开。项目使用 UCI Beijing Multi-Site Air Quality Data 整理出的北京 12 个监测站日级数据，共 16,966 条记录，时间范围为 2013-03-01 至 2017-02-28。系统完成了真实数据预处理、气象与污染物特征工程、多模型训练、PM2.5 下一日预测、AQI 预警等级转换、健康建议输出和 Streamlit Web 看板展示。

项目不是只给几段模型代码，而是提供完整源码、配置文件、真实数据整理脚本、训练脚本、预测 CSV、评估报告、结果图表和正式运行截图。核心模型包含 Ridge、RandomForestRegressor 和 GradientBoostingRegressor，程序按测试集 MAE 自动选择最佳模型。本次真实数据运行结果中，最佳模型为 GradientBoosting，MAE 为 35.508 μg/m³，RMSE 为 54.378 μg/m³，R² 为 0.448，预警等级准确率为 0.466。

项目适合机器学习课程设计、数据挖掘实验、空气质量预测原型、Python 数据分析项目和 CSDN 项目实战展示。读者可以直接运行真实数据流程，也可以替换为新的城市监测站数据继续扩展。

1. 项目场景与业务目标

PM2.5 是城市空气质量监测中最常见的指标之一，它受季节、温度、湿度、气压、风速、降雨和其他污染物共同影响。空气质量预测项目的重点不只是拟合一个数值，还要把预测浓度转换成用户能理解的预警等级，并给出是否需要减少户外活动的提示。

真实雾霾天气下，能见度、出行体验和健康风险都会明显变化。预测系统的价值就在于把空气质量数据、气象变化和历史污染趋势转成可解释的未来预警。

本项目最终实现的是一个“从数据到预警”的完整流程：加载真实监测数据，按日期和站点聚合，构造滞后与滚动统计特征，训练多个回归模型，保存最佳模型，生成未来 7 天 PM2.5 预测，并将结果转换为 AQI、预警等级和健康建议。

系统架构如下图所示。数据层负责保存原始 zip、整理后的日级 CSV 和输出结果；算法层完成特征工程、模型训练、预测与预警转换；展示层负责输出图表、报告和 Streamlit 看板。

2. 数据来源与字段整理

本项目使用 UCI Beijing Multi-Site Air Quality Data。原始数据是北京多个监测站的小时级空气质量和气象记录，项目内通过tools/prepare_uci_beijing_data.py聚合为日级站点数据，输出到：

data/external/uci_beijing_daily_pm25.csv

整理后的数据包含 12 个监测站、16,966 条日级记录，日期范围为 2013-03-01 至 2017-02-28。核心字段如下：

UCI 原始数据中没有交通强度和工业活动指数，因此项目在预处理时加入了可复现的站点与工作日代理变量，作为工程演示字段。它们不是外部真实业务指标，正式研究中可以替换为城市交通指数、产业活动强度或排放源统计数据。

3. 项目目录结构

项目结构按“源码、数据、模型、结果、文档”分开，便于复现和打包。

city_pm25_forecast_warning_system/ ├── app.py ├── run_demo.py ├── requirements.txt ├── README.md ├── blog.md ├── configs/ │ └── config.yaml ├── data/ │ ├── city_pm25_sample.csv │ ├── external/ │ │ └── uci_beijing_daily_pm25.csv │ └── raw/ │ └── PRSA2017_Data_20130301-20170228.zip ├── tools/ │ ├── prepare_uci_beijing_data.py │ └── run_real_uci_demo.py ├── src/ │ ├── aqi.py │ ├── data_loader.py │ ├── feature_engineering.py │ ├── model_training.py │ ├── predictor.py │ ├── report.py │ └── visualization.py ├── models/ │ ├── best_pm25_model.joblib │ └── real_uci_best_pm25_model.joblib ├── images/ │ ├── figures/ │ └── results/ └── outputs/ ├── predictions/ └── reports/

src/是核心代码目录，tools/放真实数据整理与复现实验脚本，data/external/保存整理后的真实数据，outputs/保存预测结果和报告，images/results/保存正式图表和页面截图。

4. 特征工程与建模流程

PM2.5 预测不能只看当天浓度。空气污染具有明显的持续性和季节性，因此项目在src/feature_engineering.py中构造了日期周期、气象污染物、类别变量、滞后值和滚动统计特征。

真实数据建模流程如下图所示。原始小时级监测数据先按天聚合并映射字段，然后进行训练集和测试集切分，后续进入特征工程、多模型训练、误差评估和未来 7 天预测。

本项目的预测目标是下一日 PM2.5：

target_pm25_next_day = groupby(city).shift(-1)

这意味着模型使用第 t 天的气象、污染物和历史 PM2.5 特征，预测第 t+1 天的 PM2.5。滞后特征包括pm25_lag_1、pm25_lag_2、pm25_lag_3、pm25_lag_7，滚动统计包括 3 日和 7 日窗口。所有滞后与滚动计算都按监测站分组，避免不同站点之间串数据。

项目使用三类模型做对比：

训练完成后，程序按 MAE 从小到大排序并保存最佳模型。模型包中不仅包含 pipeline，还包含训练时的特征列、数值特征、类别特征和评估指标，便于后续预测时保持特征顺序一致。

5. AQI 预警规则

预测 PM2.5 浓度只是第一步，预警系统还需要把浓度值转成可读的空气质量等级。本项目在src/aqi.py中实现 PM2.5 到 AQI 的转换，并追加aqi、warning_level和health_advice三列。

代码采用公开 AQI breakpoint 的线性插值方式：

AQI = (AQI_high - AQI_low) / (C_high - C_low) * (C - C_low) + AQI_low

其中C是 PM2.5 浓度，C_low和C_high是对应等级的浓度上下界。这样模型输出连续 PM2.5 后，系统可以直接给出 Good、Moderate、Unhealthy for Sensitive Groups、Unhealthy 等等级。

6. 运行方式

安装依赖后，可以先重新生成真实数据的日级 CSV：

pipinstall-rrequirements.txt python tools/prepare_uci_beijing_data.py

然后运行真实数据训练与预测流程：

python tools/run_real_uci_demo.py

如果只想快速检查基础流程，也可以运行样例数据脚本：

python run_demo.py

Web 看板运行命令如下：

streamlit run app.py

项目内存在data/external/uci_beijing_daily_pm25.csv时，Streamlit 默认使用 UCI 真实数据；如果该文件不存在，则退回内置样例数据，保证代码仍能离线跑通。

7. 真实数据运行结果

本次验证已执行：

python tools/prepare_uci_beijing_data.py python tools/run_real_uci_demo.py

数据整理脚本输出 16,966 条日级记录，覆盖 12 个北京监测站。真实数据训练结果如下：

从 MAE 和 RMSE 看，GradientBoosting 是当前配置下误差最低的模型，因此被保存为最佳模型。模型对比图如下：

这里的预警等级准确率不是回归指标，而是把真实 PM2.5 和预测 PM2.5 分别转换成 AQI 等级后，比较两者是否落在同一预警等级。它能更贴近预警系统的业务目标。

8. 测试集预测曲线

仅看指标表不够，还需要观察预测曲线是否能跟随真实 PM2.5 的变化。下图展示了 Beijing-Aotizhongxin 监测站测试集中的真实值和预测值。

可以看到，模型对多数日常波动具备跟随能力，但对极端污染峰值仍会低估。这是空气质量预测中的常见问题：如果没有未来气象预报、排放源变化、区域传输和突发污染事件信息，仅靠历史日级数据很难完整捕捉尖峰。因此该系统更适合做趋势判断和预警辅助，而不应替代官方空气质量预报。

9. 未来 7 天 PM2.5 预测与预警

项目会基于每个监测站的最新历史数据递归预测未来 7 天 PM2.5，并输出 AQI 与健康建议。结果保存到：

outputs/predictions/real_uci_future_forecast.csv

监测站预测摘要如下：

预警分布图如下。未来 7 天预测中主要出现Unhealthy for Sensitive Groups和Unhealthy两类预警，说明系统不仅输出浓度，也能给出风险分层。

部分预测明细如下：

这些日期从真实数据最后一天 2017-02-28 之后开始，是模型基于历史序列向后递推得到的预测结果。

10. 特征重要性分析

对于机器学习项目，不能只给出预测值，还要说明模型主要依赖哪些信号。项目会从最佳模型中提取特征重要性，并保存图表和 CSV：

images/results/real_uci_feature_importance.png images/results/real_uci_feature_importance.csv

本次真实数据结果中，当前 PM2.5、前一日变化、风速、气压、NO2、降雨量和季节周期等特征排在前列。特征重要性不能直接解释因果关系，但可以帮助检查模型是否依赖了合理信号。如果某个明显无关字段权重异常，就需要回到数据清洗和特征构造阶段排查泄漏或异常值。

11. Streamlit Web 看板效果

项目提供app.py作为 Web 可视化入口。页面会展示数据概览、模型指标、模型对比、测试集预测曲线、未来预警表和特征重要性。下图是本次使用 UCI 真实数据启动 Streamlit 后截取的正式运行页面。

页面中可以看到当前数据源、数据行数、监测站数量、起止日期、最佳模型和核心指标。用户也可以上传自定义 CSV，只要字段满足docs/dataset_notes.md中的说明，系统就会基于新数据重新训练和预测。

12. 核心代码说明

真实数据入口是tools/run_real_uci_demo.py，它会覆盖配置中的数据路径和输出路径，保证真实数据结果与样例数据结果分开保存：

config["data"]["sample_path"]="data/external/uci_beijing_daily_pm25.csv"config["training"]["model_path"]="models/real_uci_best_pm25_model.joblib"config["training"]["metrics_path"]="outputs/reports/real_uci_model_metrics.json"config["forecast"]["forecast_path"]="outputs/predictions/real_uci_future_forecast.csv"

训练函数train_and_evaluate会完成监督数据构造、时间顺序切分、候选模型训练、指标计算和最佳模型保存。预测函数forecast_next_days则基于最近历史数据递推未来多天，并调用append_warning_columns追加 AQI、预警等级和健康建议。

13. 如何替换为自己的城市数据

如果要替换为新的城市数据，需要把字段整理成本项目标准格式。最关键的字段是：

date, city, temp_c, humidity, pressure_hpa, wind_speed_mps, wind_dir, rainfall_mm, so2, no2, co, o3, pm10, pm25

如果没有traffic_index或industrial_index，可以先用稳定的代理变量，也可以从特征工程配置中删除对应字段。小时级数据可以先按天聚合，例如计算日均 PM2.5、日均温度、日均风速和累计降雨量，再进入当前日级预测流程。

替换数据后，建议重新运行：

python tools/run_real_uci_demo.py

如果使用的是新的文件名，可以修改configs/config.yaml或复制tools/run_real_uci_demo.py中的路径配置。

14. 可扩展方向

第一，可以增加模型类型。对于表格数据，LightGBM、XGBoost 和 CatBoost 往往表现较强；对于严格时序建模，可以加入 LSTM、TCN 或 Transformer 类模型。

第二，可以增加时间序列交叉验证。当前代码按时间顺序划分训练集和测试集，避免未来信息泄漏；正式实验中可以进一步使用 walk-forward validation。

第三，可以接入未来气象预报。当前未来 7 天预测使用递推方式估计外生变量，如果接入天气预报 API，短期预测的业务意义会更强。

第四，可以加入地图可视化。多站点数据可以结合经纬度，用 Folium、PyDeck 或 ECharts 展示空间分布。

第五，可以扩展为后台服务。将预测结果写入数据库，再用 Flask 或 FastAPI 提供接口，就可以形成空气质量预警后台。

15. 常见问题

为什么不用 LSTM？
LSTM 对时序数据有优势，但对环境、数据量和训练调参要求更高。这个项目定位是可运行、易部署、适合课程设计和工程展示，因此先使用传统机器学习模型。

预警等级准确率为什么不高？
PM2.5 极端峰值往往与未来气象、区域传输、突发排放和节假日活动有关。当前模型只使用历史日级数据和已有气象污染物字段，因此能做趋势辅助，但不能完全预测极端污染过程。

UCI 数据能直接用于当前城市决策吗？
不能。本文使用的是历史公开数据，适合学习、实验和原型验证。实际部署需要接入当地最新监测数据、气象预报和业务规则。

为什么还保留样例数据？
样例数据用于兜底运行，避免没有真实 CSV 时项目无法启动。正式博客和截图使用的是包内 UCI 真实数据。

16. 总结

本文完成了一个基于 UCI 真实空气质量数据的城市 PM2.5 预测与预警系统。项目从真实数据整理、特征工程、模型训练、指标评估、未来预测、AQI 预警到 Streamlit 可视化都给出了完整实现。

本次真实数据运行中，系统处理了 16,966 条北京多监测站日级记录，最佳模型为 GradientBoosting，测试集 MAE 为 35.508 μg/m³，RMSE 为 54.378 μg/m³，R² 为 0.448，并输出了未来 7 天预警表、特征重要性图、模型对比图和正式 Web 页面截图。相比只展示零散代码的教程，这个版本更适合用于 CSDN 技术博客、课程设计、机器学习实验报告和二次开发。

参考资料

1. UCI Beijing PM2.5 Data: https://archive.ics.uci.edu/dataset/381/beijing+pm2+5+data
2. UCI PM2.5 Data of Five Chinese Cities: https://archive.ics.uci.edu/dataset/394/pm2+5+data+of+five+chinese+cities
3. UCI Beijing Multi-Site Air Quality Data: https://archive.ics.uci.edu/dataset/501/beijing+multi+site+air+quality+data
4. EPA AQI Breakpoints: https://aqs.epa.gov/aqsweb/documents/codetables/aqi_breakpoints.html
5. scikit-learn RandomForestRegressor: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html
6. scikit-learn GradientBoostingRegressor: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.GradientBoostingRegressor.html
7. Streamlit Documentation: https://docs.streamlit.io/
8. Wikimedia Commons 北京雾霾场景图：https://commons.wikimedia.org/wiki/File:Beijing_Forbidden_City_Smog.jpg