elderly-heat-warning/README.md

银发群体高温多时间尺度预警和服务优化可视化研究

本科毕业设计 — 河南理工大学计算机科学与技术学院

概述

本项目针对焦作市和郑州市老年群体，构建了基于 LSTM-Attention 的多时间尺度高温健康风险预警模型，并开发了 ECharts 可视化大屏系统。

核心功能

• 多时间尺度预警：短期（1-3天）、中期（7天）、长期（30天）三级高温健康风险预测
• 深度学习模型：BiLSTM + Multi-Head Attention，三头输出同时预测三个时间尺度
• 基线对比：XGBoost 三分类器，验证深度学习方法有效性
• 可视化大屏：6 面板深色科技蓝风格 Web 大屏，含温度趋势、风险预警、人口统计等
• 完整论文：LaTeX 学位论文，含 7 个章节 + 参考文献 + 附录

技术栈

层	技术
数据处理	Python, xarray, pandas, numpy
气象数据	ERA5-Land (CDS API)
深度学习	PyTorch 2.12, CUDA 12.6
传统模型	XGBoost, scikit-learn
Web 后端	Flask
可视化	ECharts 5.5
包管理	uv
论文	LaTeX (XeLaTeX + ctexbook)

环境配置

系统要求

• Python 3.13
• NVIDIA GPU (推荐，RTX 4060 或以上)
• Windows 11 / Linux

安装

# 创建虚拟环境
uv venv --python "D:\settings\Language\Python\Python 3.13.13\python.exe"

# 安装依赖
uv pip install -e .

CDS API 配置（数据下载必需）

1. 注册 Copernicus CDS 账号：https://cds.climate.copernicus.eu/
2. 获取 API Key
3. 创建 ~/.cdsapirc：

url: https://cds.climate.copernicus.eu/api
key: <UID>:<API_KEY>

运行指南

1. 数据获取与预处理

# 下载 ERA5 气象数据（需要 CDS API 配置）
python -m src.data.download_era5

# 收集死亡率与人口数据
python -m src.data.collect_mortality

# 运行预处理管道
python -m src.data.preprocess

2. 探索性数据分析

jupyter notebook notebooks/eda.ipynb

3. 模型训练

# 训练 LSTM-Attention 模型
python -m src.models.train

# 模型评估与对比
python -m src.models.evaluate

4. 启动可视化大屏

python -m src.web.app
# 浏览器打开 http://localhost:5005

5. 论文编译

cd thesis
make
# 或手动: xelatex main && biber main && xelatex main && xelatex main

项目结构

project/
├── data/
│   ├── raw/era5/          # ERA5 原始 NetCDF 文件
│   ├── processed/         # 预处理后 CSV 和 NPZ 序列
│   └── external/          # 死亡率/人口/暴露反应数据
├── src/
│   ├── data/              # 数据获取与预处理
│   │   ├── download_era5.py
│   │   ├── collect_mortality.py
│   │   └── preprocess.py
│   ├── models/            # 模型定义与训练
│   │   ├── lstm_attention.py
│   │   ├── xgboost_baseline.py
│   │   ├── train.py
│   │   └── evaluate.py
│   ├── web/               # Web 可视化
│   │   ├── app.py
│   │   └── static/index.html
│   └── utils/
│       └── config.py      # 全局配置
├── notebooks/
│   └── eda.ipynb          # 探索性数据分析
├── outputs/
│   ├── models/            # 训练好的模型权重
│   ├── figures/           # 论文和评估图表
│   └── logs/              # 训练日志
├── thesis/                # LaTeX 学位论文
│   ├── main.tex
│   ├── chapters/          # 各章节 tex 文件
│   ├── refs.bib           # 参考文献
│   └── Makefile
└── docs/superpowers/      # 设计文档和计划

模型架构

输入 (14天气象序列)
  → Linear 嵌入 (16 → 128)
  → 2层 BiLSTM (128, dropout=0.3)
  → Multi-Head Attention (4 heads)
  → Linear 投影 (256 → 128)
  → 三头输出
     ├── 短期头 (128→64→4)
     ├── 中期头 (128→64→4)
     └── 长期头 (128→64→4)

总参数量：~983K

风险等级定义

等级	条件	颜色
低风险	体感温度 < 32°C	绿
中风险	体感温度 32-35°C	黄
高风险	体感温度 35-38°C 或连续 3 天 >35°C	橙
严重风险	体感温度 >= 38°C 且连续 3 天 >35°C	红

数据来源

数据	来源	时间范围
气象数据	ERA5-Land (Copernicus CDS)	2010-2024
死亡率	中国卫生健康统计年鉴	2010-2023
暴露反应曲线	Chen et al. (2018) Lancet Planet Health	—
人口数据	第七次全国人口普查 (2020)	2020
老龄化率	河南省统计年鉴	2010-2023