随着计算机技术的快速发展与不断成熟,机器学习开启了其应用的广阔天地,涉及图像识别与自然语言处理等多个方面;同时机器学习也为海量气象数据的处理与预测问题打开了新思维。从古至今,气象问题影响着人类生活的方方面面,人类一直致力于实现对于气象问题的精准预测,此间又以准确预测未来时刻的气温值以及准确捕捉未来气象的动态变化情况更具有现实研究价值。气象系统是一个受多因素影响的复杂系统,多数的气象数据都是时间序列数据,具有相似的特性。本文对气象数据进行整理、清洗、填补以及分析后,发现数据中存在季节性和周期性特性,并且时间序列数据存在自相关性。对比于传统的单因素时序预测模型,如SARIMA模型,文章以机器学习中长短期记忆神经网络和随机森林模型两种多因素预测模型为研究方法,然后计算各影响因素与气温特征的相关系数,并结合散点图筛选出与气温特征强相关的多个因素。针对序列的季节特性被忽略的问题,文章考虑将序列中的季节特征进行独热编码,量化成数值变量。实验表明:加入季节变量的两种模型均有着更佳的预测性能。同时,由于随机森林模型在构建过程中涉及到众多超参数,故提出采用两种搜索算法优化参数,确保模型最优化。更进一步,针对气温序列的自相关问题,构建长短期记忆网络,设置了滑动窗口以确保网络能学习到足够的信息,此外,为了应对网络过拟合、梯度爆炸等问题,在LSTM层引入Early-Stopping机制,结果表明改进后的LSTM模型预测精度始终较高,收敛速度快。为了比较多个改进模型的预测能力,分别进行了短期预测和中短期预测实验。结果表明,各模型在短期预测时的误差更小,预测值更接近实际值,且改进的LSTM模型的预测误差比其他模型低约3%,有着更优的拟合效果。