计算机毕业设计：Python城市气候分析与预测平台 Flask框架 随机森林 K-Means 可视化 数据分析 大数据 机器学习 深度学习（建议收藏）✅

1、项目介绍技术栈采用 Python 语言开发基于 Flask 框架搭建后端服务使用 sqlite 数据库进行数据存储前端利用 Echarts 实现数据可视化运用机器学习中的 K-Means 聚类算法进行天气预测采用随机森林回归算法预测气温。功能模块· 首页功能导航· 天气年度变化分析· 历史天气查询· 月度气温变化分析· 空气质量年度变化· 空气污染年度占比· 聚类算法天气预测· 城市气温预测· 用户登录项目介绍本系统基于数据挖掘技术与机器学习算法构建城市天气数据分析与预测平台。系统提供天气年度变化分析、历史天气查询、月度气温变化分析、空气质量年度变化及污染占比分析等可视化功能通过折线图、饼图、柱状图等形式直观呈现气温、天气状况、风力风向及空气质量指标的变化规律。采用 K-Means 聚类算法实现天气数据预测运用随机森林回归算法预测未来气温趋势展示历史实际值与预测值的对比。系统还包含用户登录注册功能保障访问安全。2、项目界面基于数据挖掘的城市天气数据分析及预测系统该系统为城市天气数据分析预测平台首页展示历史天气查询、天气年度变化分析、空气质量预测等多类功能入口提供直观的功能导航与说明帮助用户快速进入各天气数据的分析、查询与预测模块。基于数据挖掘的城市天气数据分析及预测系统-天气年度变化分析该页面支持选择城市与时间区间进行分析通过折线图展示气温变化趋势搭配饼图呈现天气状况占比辅以柱状图统计风力风向天数实现多维度天气年度数据可视化分析。基于数据挖掘的城市天气数据分析及预测系统该页面提供历史天气查询功能支持选择城市、年份与月份可查询并展示天气状况、最高/最低气温、风力风向等数据以列表形式呈现历史天气详情方便快速检索查看。基于数据挖掘的城市天气数据分析及预测系统-月度气温变化情况该页面支持选择城市与月份通过折线图可视化展示多年度平均最高气温与平均最低气温的变化趋势直观呈现月度气温的年度波动情况实现气温数据的多维度对比分析。基于数据挖掘的城市天气数据分析及预测系统-空气质量年度变化该页面支持选择城市、年份与空气质量指标通过折线图可视化展示对应指标的年度变化趋势直观呈现空气质量的年度波动情况实现空气质量数据的可视化分析。基于数据挖掘的城市天气数据分析及预测系统-空气污染年度占比该页面支持选择城市与年份通过饼图展示不同污染等级的年度占比搭配多指标折线图呈现各类空气污染物的年度变化趋势实现空气污染数据的多维度可视化分析。基于数据挖掘的城市天气数据分析及预测系统-聚类算法天气预测该页面支持选择城市、年份、月份与日期通过聚类算法预测对应日期的天气数据以表格形式展示天气状况、气温、风力风向、AQI指数等预测结果实现未来天气的智能预测。基于数据挖掘的城市天气数据分析及预测系统-城市气温预测该页面支持选择城市通过机器学习算法预测未来气温趋势以折线图同步展示历史实际气温与未来预测气温直观呈现气温变化规律与预测结果实现城市气温的智能预测与可视化展示。基于数据挖掘的城市天气数据分析及预测系统-用户登录该页面是系统的身份验证入口提供用户名与密码输入框支持用户登录操作同时提供注册入口用于新用户创建账户保障系统访问的安全性与权限管理。3、项目说明一、技术栈简要说明本系统采用 Python 语言开发基于 Flask 框架搭建后端服务使用 sqlite 数据库进行数据存储前端利用 Echarts 实现数据可视化运用机器学习中的 K-Means 聚类算法进行天气预测采用随机森林回归算法预测气温。二、功能模块详细介绍· 首页功能导航该页面为城市天气数据分析预测平台的主入口展示历史天气查询、天气年度变化分析、空气质量预测等多类功能入口提供直观的功能导航与说明帮助用户快速进入各天气数据的分析、查询与预测模块。· 天气年度变化分析该页面支持选择城市与时间区间进行分析通过折线图展示气温变化趋势搭配饼图呈现天气状况占比辅以柱状图统计风力风向天数实现多维度天气年度数据可视化分析帮助用户全面了解城市年度天气特征。· 历史天气查询该页面提供历史天气查询功能支持选择城市、年份与月份可查询并展示天气状况、最高气温、最低气温、风力风向等数据以列表形式呈现历史天气详情方便用户快速检索和查看特定时间段的历史气象记录。· 月度气温变化情况该页面支持选择城市与月份通过折线图可视化展示多年度平均最高气温与平均最低气温的变化趋势直观呈现月度气温的年度波动情况实现气温数据的多维度对比分析助力用户把握气温的长期变化规律。· 空气质量年度变化该页面支持选择城市、年份与空气质量指标通过折线图可视化展示对应指标的年度变化趋势直观呈现空气质量的年度波动情况实现空气质量数据的可视化分析帮助用户了解城市空气质量的动态变化。· 空气污染年度占比该页面支持选择城市与年份通过饼图展示不同污染等级的年度占比搭配多指标折线图呈现各类空气污染物的年度变化趋势实现空气污染数据的多维度可视化分析为用户提供污染构成的直观认知。· 聚类算法天气预测该页面支持选择城市、年份、月份与日期通过 K-Means 聚类算法预测对应日期的天气数据以表格形式展示天气状况、气温、风力风向、AQI 指数等预测结果实现未来天气的智能预测为用户提供决策参考。· 城市气温预测该页面支持选择城市通过随机森林回归算法预测未来气温趋势以折线图同步展示历史实际气温与未来预测气温直观呈现气温变化规律与预测结果实现城市气温的智能预测与可视化展示帮助用户提前做好气温变化应对准备。· 用户登录该页面是系统的身份验证入口提供用户名与密码输入框支持用户登录操作同时提供注册入口用于新用户创建账户保障系统访问的安全性与权限管理确保不同用户拥有差异化的操作权限。三、项目总结本系统基于数据挖掘技术与机器学习算法构建城市天气数据分析与预测平台。系统提供天气年度变化分析、历史天气查询、月度气温变化分析、空气质量年度变化及污染占比分析等可视化功能通过折线图、饼图、柱状图等形式直观呈现气温、天气状况、风力风向及空气质量指标的变化规律。采用 K-Means 聚类算法实现天气数据预测运用随机森林回归算法预测未来气温趋势展示历史实际值与预测值的对比。系统还包含用户登录注册功能保障访问安全。整体而言本系统为气象研究、环境监测、出行规划及农业生产等领域提供了科学的数据支持与决策参考。4、核心代码main_bp.route(/api/clustering_prediction)defapi_clustering_prediction():聚类算法天气预测APIcity_idrequest.args.get(city_id)predict_daterequest.args.get(predict_date)ifnotall([city_id,predict_date]):returnjsonify({error:缺少必要参数}),400importpandasaspdfromsklearn.clusterimportKMeansfromsklearn.preprocessingimportLabelEncoder,StandardScalerimportnumpyasnp# 获取该城市的所有历史数据用于聚类分析connget_db_connection()cursorconn.cursor()# 查询历史数据query SELECT date, weather_condition, max_temperature, min_temperature, max_wind_force, max_wind_direction, min_wind_force, min_wind_direction, aqi_index, pm25, pm10, so2, no2, co, o3 FROM weather_data WHERE city_id ? AND date ? ORDER BY date cursor.execute(query,(city_id,predict_date))rowscursor.fetchall()conn.close()ifnotrows:returnjsonify({error:没有足够的历史数据进行预测}),400# 准备数据进行聚类dfpd.DataFrame(rows,columns[date,weather_condition,max_temperature,min_temperature,max_wind_force,max_wind_direction,min_wind_force,min_wind_direction,aqi_index,pm25,pm10,so2,no2,co,o3])# 处理缺失值 - 只需要关键字段不为空dfdf.dropna(subset[max_temperature,min_temperature])ifdf.empty:returnjsonify({error:没有足够的有效数据进行聚类分析}),400# 特征工程 - 提取日期特征df[date]pd.to_datetime(df[date])df[month]df[date].dt.month df[day_of_year]df[date].dt.dayofyear df[day_of_week]df[date].dt.dayofweek# 对分类变量进行编码le_weatherLabelEncoder()le_wind_forceLabelEncoder()le_wind_directionLabelEncoder()# 填充缺失值df[weather_condition]df[weather_condition].fillna(未知)df[max_wind_force]df[max_wind_force].fillna(微风)df[max_wind_direction]df[max_wind_direction].fillna(北)df[min_wind_force]df[min_wind_force].fillna(微风)df[min_wind_direction]df[min_wind_direction].fillna(北)df[aqi_index]df[aqi_index].fillna(df[aqi_index].median())# 编码分类变量df[weather_encoded]le_weather.fit_transform(df[weather_condition])df[max_wind_force_encoded]le_wind_force.fit_transform(df[max_wind_force])df[max_wind_direction_encoded]le_wind_direction.fit_transform(df[max_wind_direction])df[min_wind_force_encoded]le_wind_force.transform(df[min_wind_force])df[min_wind_direction_encoded]le_wind_direction.transform(df[min_wind_direction])# 准备聚类特征features[max_temperature,min_temperature,aqi_index,pm25,pm10,so2,no2,co,o3,month,day_of_year,day_of_week,weather_encoded,max_wind_force_encoded,max_wind_direction_encoded,min_wind_force_encoded,min_wind_direction_encoded]# 检查是否有足够的有效数据available_features[]forfinfeatures:iffindf.columnsanddf[f].notna().sum()0:available_features.append(f)iflen(available_features)0:returnjsonify({error:没有足够的有效数据进行聚类分析}),400Xdf[available_features].copy()# 填充数值特征的缺失值forcolinX.select_dtypes(include[np.number]).columns:X[col]X[col].fillna(X[col].mean())# 标准化特征scalerStandardScaler()X_scaledscaler.fit_transform(X)# 确定聚类数量使用肘部法则的简化版n_samplesX_scaled.shape[0]n_clustersmin(10,max(3,n_samples//151))# 至少3个聚类最多10个# 应用K-means聚类kmeansKMeans(n_clustersn_clusters,random_state42,n_init10)clusterskmeans.fit_predict(X_scaled)# 将聚类结果添加到DataFramedf[cluster]clusters# 获取目标日期的特征用于预测当天的日期特征target_datepd.to_datetime(predict_date)target_monthtarget_date.month target_day_of_yeartarget_date.dayofyear target_day_of_weektarget_date.dayofweek# 构建目标特征向量使用可获得的特征target_features[]forfinavailable_features:iffmonth:target_features.append(target_month)eliffday_of_year:target_features.append(target_day_of_year)eliffday_of_week:target_features.append(target_day_of_week)else:# 对于其他特征使用历史平均值作为初始估计target_features.append(df[f].mean()ifdf[f].dtypein[float64,int64]elsedf[f].mode().iloc[0]iflen(df[f].mode())0else0)target_features_scaledscaler.transform([target_features])# 找到距离最近的聚类中心distancesnp.sqrt(((kmeans.cluster_centers_-target_features_scaled)**2).sum(axis1))target_clusternp.argmin(distances)# 获取属于同一聚类的数据cluster_datadf[df[cluster]target_cluster]ifcluster_data.empty:# 如果目标聚类为空使用第二近的聚类sorted_indicesnp.argsort(distances)foridxinsorted_indices[1:]:# 跳过最近的已知为空cluster_datadf[df[cluster]idx]ifnotcluster_data.empty:target_clusteridxbreakifcluster_data.empty:returnjsonify({error:无法找到合适的聚类进行预测}),400# 基于聚类结果进行预测 - 对每种天气要素分别预测# 温度预测pred_max_tempfloat(cluster_data[max_temperature].mean())ifmax_temperatureincluster_data.columnselse20pred_min_tempfloat(cluster_data[min_temperature].mean())ifmin_temperatureincluster_data.columnselse15# AQI预测pred_aqifloat(cluster_data[aqi_index].median())ifaqi_indexincluster_data.columnsandcluster_data[aqi_index].notna().any()else100# 天气状况预测选择该聚类中最常见的天气ifweather_conditionincluster_data.columns:pred_weathercluster_data[weather_condition].mode().iloc[0]iflen(cluster_data[weather_condition].mode())0else多云else:pred_weather多云# 风力风向预测选择该聚类中最常见的风力风向ifmax_wind_forceincluster_data.columns:pred_max_wind_forcecluster_data[max_wind_force].mode().iloc[0]iflen(cluster_data[max_wind_force].mode())0else微风else:pred_max_wind_force微风ifmax_wind_directionincluster_data.columns:pred_max_wind_directioncluster_data[max_wind_direction].mode().iloc[0]iflen(cluster_data[max_wind_direction].mode())0else北else:pred_max_wind_direction北ifmin_wind_forceincluster_data.columns:pred_min_wind_forcecluster_data[min_wind_force].mode().iloc[0]iflen(cluster_data[min_wind_force].mode())0else微风else:pred_min_wind_force微风ifmin_wind_directionincluster_data.columns:pred_min_wind_directioncluster_data[min_wind_direction].mode().iloc[0]iflen(cluster_data[min_wind_direction].mode())0else北else:pred_min_wind_direction北# 确保温度合理ifpred_min_temppred_max_temp:pred_min_temp,pred_max_temppred_max_temp,pred_min_temp# 限制AQI在合理范围内pred_aqimax(0,min(500,pred_aqi))prediction{weather_condition:pred_weather,max_temperature:round(pred_max_temp,1),min_temperature:round(pred_min_temp,1),max_wind_force:pred_max_wind_force,max_wind_direction:pred_max_wind_direction,min_wind_force:pred_min_wind_force,min_wind_direction:pred_min_wind_direction,aqi_index:round(pred_aqi)}returnjsonify({prediction:prediction})