lstm时间序列预测python代码,lstm时间序列预测pytorch代码
PM2.5数据集LSTM实现预测数据集描述的主要步骤。环境的所有代码都被转换成监管数据。导入数据集被规范化为监管数据。删除不需要预测的列，并将其分为定型集和数据集。LSTM对实际值和预测值之间的比较进行了反规范化。
描述数据集
本实验使用的PM2.5空气质量数据集来自UCI公共数据集网站，包含一系列与空气质量相关的天气数据。这个数据集是一个多变量时间序列，每个记录的时间间隔为一个小时。有43，824个示例，其中前24个未在数据集中使用。这个数据集是美国驻华大使馆从2010年初到2014年底收集的空气质量数据。本实验选取了43800个有真实值的项目作为实验数据，预测的因变量值为PM2.5
主要步骤实验过程主要分为以下几个步骤：
读取数据文件。将时间序列数据转化为监督学习问题，并对数据进行归一化处理。去掉这个实验中无用的列。数据集分为测试集、训练集和验证集。Keras和tensorflow训练单层LSTM网络。使用测试集进行预测。数据的逆规范化。MAE(平均绝对误差)和RMSE(均方根误差)评估训练集的预测结果。比较图像和真实值之间的曲线。环境keras: 2.3.1，TensorFlow: 2.1.0，Python 3.7
全部代码//都是机器学习常用最新的工具包从数学导入sqrtfrom numpy导入从matplotlib串联导入熊猫的pyplotfrom导入来自熊猫的阅读_ CSV导入数据帧来自熊猫导入concatfrom sklearn。预处理导入sk学习的labelen编码器。韵律学导入来自sk学习的均方误差。韵律学导入keras的mean _ absolute _ error。模型导入来自keras.layers的序列导入来自keras.layers的Densefrom导入长短期记忆网络转化为监督数据def series_to_supervised(data，n_in=1，n_out=1，dropnan=True):如果类型(数据)是列出其他数据。shape[1]df=data frame(data)cols，names=list()，list()for i in range(n_in，0，-1):cols。追加(df。shift(I))names=[( var % d(t-% d) %(j 1，I))for j in range(n _ vars)]for I in range(0，n _ out):cols。追加(df。shift(-I))if I==0:names=[( var % d(t) %(j 1))for j in range(n _ vars)else:names=[( var % d(t % d) %(j 1，I))for j in range(n _ vars)]agg=concat(cols，axis=1)agg。columns=names if dropnan:agg。dropna(原地=真)返回agg导入数据集dataset=read_csv(PM2.5.csv ，header=0，index _ col=0)values=dataset。值编码器=标签编码器()值[:4]=编码器。fit _ transform(values[:4])值=值。astype(浮点32 )归一化scaler=minmax scaler(feature _ range=(0，1))scaled=scaler。拟合_转换(值)转化为监督数据reframed=series _ to _ supervised(scaled，1，1)删除不需要预测的列重构。下降(重新架构。columns[[9，10，11，12，13，14，15]]，axis=1，in place=True)print(reframed。head())分割为训练集和数据集值=重新构建。值sn _ train _ hours=10000 train=values[:n _ train _ hours，]test=values[n _ train _ hours:]#划分自变量和因变量火车_X，火车_y=火车[:-1],火车[:-1]测试_X，test_y=test[:-1]，test[:-1]train _ X=train _ X . shape((train _ X . shape[0]，1，train _ X . shape[1]))test _ X=test_X.shape((test _ X . shape[0]，1，test _ X . shape[1]))print(train _ X . shape，train_y.shape，test _ X . shape，test _ y . shape)LSTM打印( LSTM )模型=顺序()模型。加(LSTM(128反归一化inv_yhat=concatenate((yhat，test_X[:1:])，axis=1)inv _ yhat=scaler。逆变换(inv _ yhat)inv _ yhat=inv _ yhat[:0]inv _ y=scaler。逆变换(测试X)inv _ y=inv _ y[:0]真实值与预测值的对比pyplot.figure(figsize=(10，5))pyplot.title(100小时)pyplot.plot(inv_y[:100]，label= Real )py plot。plot(inv _ yhat[:100]，label= LSTM )py plot。图例()py图。显示()
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。