本文通过实战案例，演示如何利用开源工具链实现时间序列数据的预测分析。以伦敦天气温度预测为例，首先通过Open-Meteo API获取历史天气数据，借助InfluxDB 3 Cloud Serverless（免费版）完成高效存储；随后使用Facebook开源的Prophet机器学习库，基于历史数据构建预测模型，自动捕捉日/周/年季节性及趋势变化，生成未来30天的温度预测结果并可视化。文章对比了Prophet等机器学习方法与传统统计模型（如ARIMA）的优劣，探讨了时间序列大语言模型（LLM）的潜力与挑战，同时分析了批处理与实时预测的应用场景差异。通过完整代码示例与分步解析，帮助读者快速掌握从数据采集到预测落地的全流程，为气象分析、销售预测等场景提供可复用的技术参考。
引言：为什么我们需要预测时间序列数据？
在数据科学领域，时间序列预测（Time Series Forecasting） 是一项核心技能，它帮助我们根据历史数据预测未来的趋势。无论是股票价格预测、销售趋势分析、物流规划，还是——正如本文要介绍的——天气预报，时间序列预测都扮演着至关重要的角色。
本文将带你通过一个完整的实战项目，学习如何利用开源工具与机器学习模型，对伦敦的天气温度数据进行预测。我们将使用以下技术栈：
- InfluxDB 3 Cloud Serverless（免费）：用于存储和管理时间序列数据，具备高可扩展性与易用性。
- Prophet（Facebook 开源的时序预测库）：擅长处理具有季节性（如日、周、年周期）和趋势变化的数据。
- Open-Meteo API（免费开源天气数据接口）：提供全球任意地点的历史与实时天气数据。
- Python 项目（托管于 GitHub）：整个流程可本地运行，无需 GPU，简单易上手。
一、环境准备：安装依赖与配置参数
在开始之前，请确保你的本地环境已安装 Python（推荐 3.8 及以上），并使用 pip 安装以下依赖库：
pip install influxdb3-python prophet requests python-dotenv
接下来，创建一个名为 .env 的文件，用于存储 InfluxDB 的连接信息与项目配置，例如：
INFLUXDB_HOST="your_influxdb_cloud_serverless_url"
INFLUXDB_TOKEN="your_token"
INFLUXDB_ORG="your_org_name"
INFLUXDB_DATABASE="weather"
LONDON_LAT="51.5074"
LONDON_LON="-0.1278"
请将上述字段替换为你自己的 InfluxDB 云服务信息。如果你还没有 InfluxDB 3 Cloud 账号，可以前往 InfluxData 官网 免费注册并创建 Serverless 实例。
二、步骤一：获取并存储历史天气数据
我们使用 Open-Meteo API 获取伦敦过去六个月每日的平均温度数据。该 API 免费、无需认证，支持全球任意地点的历史气象信息查询。
项目中的 weather_client.py 脚本负责调用该 API 并获取原始数据，而 main.py 则对这些数据进行解析，并通过 influxdb_client.py 将其写入 InfluxDB。
# main.py 示例代码片段
from weather_client import fetch_weather_data
from influxdb_client import DBClient
weather_data = fetch_weather_data() # 调用 API 获取数据
df = process_api_response(weather_data) # 解析为 DataFrame
db = DBClient()
db.write_weather_data(df) # 批量写入 InfluxDB
print("天气数据已成功写入 InfluxDB")
其中，DBClient 类封装了与 InfluxDB 的交互逻辑，采用批量写入（batch write）模式，可显著提高数据写入效率，尤其适用于大规模时序数据的存储。
小贴士：InfluxDB 是专为时间序列数据优化的数据库，非常适合存储如温度、湿度、股票价格等随时间变化的数据。
三、步骤二：从 InfluxDB 读取数据
接下来，我们需要从 InfluxDB 中读取刚刚存储的天气数据，用于后续的预测分析。
在 influxdb_client.py 中，我们使用类似 SQL 的查询语句，从名为 "weather-london" 的 Measurement（类似于数据库中的表）中提取过去 180 天的温度数据：
# influxdb_client.py 示例代码片段
def read_data(self):
query = """
SELECT time, temperature
FROM "weather-london"
WHERE time >= now() - interval '180 days'
ORDER BY time ASC
"""
return self.client.query(query=query)
这样，我们就得到了一个按时间排序、包含时间戳与温度值的 DataFrame，作为 Prophet 模型的输入。
四、步骤三：使用 Prophet 进行预测与可视化
接下来，我们进入最核心的环节——时间序列预测。
我们使用 Facebook 开源的 Prophet 库，它是一个专门为处理具有季节性和趋势的时间序列数据而设计的机器学习模型。相比传统的统计方法（如 ARIMA），Prophet 对数据分布、异常值和复杂季节模式的适应能力更强，且几乎无需手动调参。
在 visualization.py 中，我们进行如下操作：
- 从 InfluxDB 读取历史温度数据，并转为 Pandas DataFrame。
- 初始化 Prophet 模型，并设置年度与日级别的季节性。
- 使用过去的数据“训练”模型。
- 构造未来 30 天（或更长时间）的时间框架，进行预测。
- 利用 Matplotlib 绘制预测结果图，并保存为 PNG 文件。
# visualization.py 示例代码片段
from influxdb_client import DBClient
from prophet import Prophet
db = DBClient()
df = db.read_data().to_pandas() # 获取历史数据
model = Prophet(yearly_seasonality=True, daily_seasonality=True)
model.fit(df) # 拟合模型
future = model.make_future_dataframe(periods=30 * 24, freq='h') # 预测未来30天，按小时粒度
forecast = model.predict(future)
# 绘制预测图并保存
# ...（使用 matplotlib 绘图代码）
最终，你将得到一张包含历史数据、预测值以及置信区间的图表，可以直观地看到未来一段时间内伦敦气温的变化趋势。
五、机器学习 vs 传统统计方法：如何选择合适的预测模型？
在时间序列预测领域，除了 Prophet 这类机器学习模型，还有许多传统方法，如 ARIMA、SARIMA、指数平滑法等。
| 方法类别 | 代表模型 | 优点 | 缺点 |
|---|---|---|---|
| 机器学习方法 | Prophet、NeuralProphet、LSTM | 自动捕捉趋势与季节性，适应非线性，对异常值鲁棒 | 可能需要更多数据，计算资源略高 |
| 传统统计方法 | ARIMA、SARIMA | 模型解释性强，适用于小数据集 | 对季节性和趋势需手动建模，调参较复杂 |
Prophet 的优势在于：
- 自动识别并建模 年度、周度、日度季节性
- 对 缺失数据 和 异常值 有较强的鲁棒性
- 用户友好，几乎 无需复杂调参
而如果你面对的是一个小规模数据集，或者希望模型具备更强的可解释性，那么 ARIMA 仍然是一个不错的选择。
六、时间序列 LLM：未来趋势，值得关注
除了传统的统计模型与机器学习方法，近年来，时间序列大语言模型（Time Series LLMs） 也开始进入人们的视野。这类模型基于大规模预训练语言模型，能够实现“零样本（zero-shot）”预测，即无需针对特定数据集进行训练，即可进行预测。
优点：
- 有望实现跨领域、跨数据集的通用预测能力
- 支持自然语言交互与解释
缺点：
- 模型体积大，计算成本高
- 预测精度和稳定性仍需验证
- 缺乏透明性与可解释性
目前这类技术尚处于探索阶段，但在未来有望成为时间序列预测领域的重要方向。
七、批处理 vs 实时预测：应用场景决定技术选型
本文的示例采用的是批处理模式（Batch Forecasting），即基于过去一段时间的固定数据集进行预测，适合天气、销售月报等非实时性要求高的场景。
而对于股票价格、传感器数据、用户行为等需要实时响应的场景，则需要采用**实时预测（Real-time Forecasting）**技术，通常会结合流处理框架（如 Kafka + Flink）与在线学习模型。
总结：从数据获取到预测可视化，一站式掌握时序预测
本文通过一个完整的示例项目，向你展示了如何利用开源工具链（InfluxDB + Prophet + Open-Meteo API）实现时间序列数据的获取、存储、建模与预测。主要流程包括：
- 使用 Open-Meteo API 获取伦敦历史天气数据
- 利用 InfluxDB 存储和管理时间序列数据
- 使用 Prophet 进行温度预测并生成可视化图表
我们同时也探讨了机器学习与传统统计方法的差异、新兴的时间序列 LLM 技术，以及批处理与实时预测的适用场景。