代码干货 | 基于Keras的LSTM多变量时间序列预测

本文来源于阿里云-云栖社区,原文点击这里


适合多输入变量的神经网络模型一直让开发人员很头痛,但基于(LSTM)的循环神经网络能够几乎可以完美的解决多个输入变量的问题。

基于(LSTM)的循环神经网络可以很好的利用在时间序列预测上,因为很多古典的线性方法难以适应多变量或多输入预测问题。

在本教程中,你会看到如何在Keras深度学习库中开发多变量时间序列预测的LSTM模型。


读完本教程后,你将学会:

     ·         如何将原始数据集转换为可用于时间序列预测的数据集。

     ·         如何准备数据并创建适应多变量时间序列预测问题的LSTM

     ·         如何做出预测并将结果重新调整到原始单位。 


本教程分为3部分:

      1.空气污染预报。

      2.基本数据准备。

      3.多变量LSTM预测模型。


Python环境

本教程假设你已安装Python SciPy环境,你可以在本教程中使用Python 23。你必须使用TensorFlowTheano后端安装Keras2.0或更高版本)。本教程还 假设你已经安装了scikit-learnPandasNumPyMatplotlib。如果你需要帮助你的环境,请参阅这篇文章:

如何为Anaconda设置机器学习和深度学习的Python环境

空气污染预报

在这个小例子中,我们将使用空气质量数据集。这是一个数据集,在美国驻北京大使馆五年内报告天气和污染水平。数据类型包括日期时间、称为PM2.5浓度的污染物、以及天气信息、包括露点(露点温度)、温度、压力、风向、风速和累积的降雪小时数。原始数据中的完整功能列表如下:

      1.NO:行号。

      2.year:年。

      3.month:月。

      4.day:日。

      5.hour:小时。

      6.pm2.5PM2.5浓度。

      7.DEWP:露点温度。

      8.TEMP:温度。

      9.PRES:压力。

      10.cbwd:风向。

      11.Iws:风速。

      12.ls:积雪的时间

      13.Ir:累积的下雨时数

我们可以使用这些数据并构建一个预测问题,基于天气条件和前几个小时的污染,我们预测在下一个小时的污染。你可以从UCI Machine Learning Repository下载数据集—北京PM2.5数据集下载数据集并将其放在你当前的工作目录中,文件名为“raw.csv”。


>>>展开全文

  • 3
    点赞
  • 34
    收藏
    觉得还不错? 一键收藏
  • 8
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值