TensorFlow搭建ANN实现时间序列预测（风速预测）

Cyril_KI

已于 2024-04-05 22:46:52 修改

阅读量2.4k

点赞数 4

分类专栏：时间序列预测 TensorFlow 文章标签： tensorflow MLP ANN 时间序列预测负荷预测

于 2022-08-29 09:10:02 首次发布

本文链接：https://blog.csdn.net/Cyril_KI/article/details/126577661

版权

时间序列预测同时被 2 个专栏收录

50 篇文章 493 订阅

订阅专栏

TensorFlow

17 篇文章 7 订阅

订阅专栏

I. 数据集

在这里插入图片描述
数据集为Barcelona某段时间内的气象数据，其中包括温度、湿度以及风速等。本文将简单搭建来对风速进行预测。

II. 特征构造

对于风速的预测，除了考虑历史风速数据外，还应该充分考虑其余气象因素的影响。因此，我们根据前24个时刻的风速+其余气象数据来预测下一时刻的风速。

III. 数据处理

1.数据预处理

数据预处理阶段，主要将某些列上的文本数据转为数值型数据，同时对原始数据进行归一化处理。文本数据如下所示：
在这里插入图片描述
经过转换后，上述各个类别分别被赋予不同的数值，比如"sky is clear"为0，"few clouds"为1。

def load_data():
    df = pd.read_csv('Barcelona/Barcelona.csv')
    df.drop_duplicates(subset=[df.columns[0]], inplace=True)
    df.drop([df.columns[0], df.columns[1]], axis=1, inplace=True)
    # weather_main
    listType = df['weather_main'].unique()
    df.fillna(method='ffill', inplace=True)
    dic = dict.fromkeys(listType)
    for i in range(len(listType)):
        dic[listType[i]] = i
    df['weather_main'] = df['weather_main'].map(dic)
    # weather_description
    listType = df['weather_description'].unique()
    dic = dict.fromkeys(listType)
    for i in range(len(listType)):
        dic[listType[i]] = i
    df['weather_description'] = df['weather_description'].map(dic)
    # weather_icon
    listType = df['weather_icon'].unique()
    dic = dict.fromkeys(listType)
    for i in range(len(listType)):
        dic[listType[i]] = i
    df['weather_icon'] = df['weather_icon'].map(dic)
    # print(df)
    return df

2.数据集构造

利用前24个小时的风速数据+气象数据来预测下一时刻的风速，数据被划分为三部分：Dtr、Val以及Dte，Dtr用作训练集，Val用作验证集，Dte用作测试集，模型训练返回的是验证集上表现最优的模型。

IV. ANN模型

1.模型训练

ANN模型搭建如下：

class ANN(tf.keras.Model):
    def __init__(self):
        super(ANN, self).__init__()
        self.seq_len = seq_len
        self.input_size = input_size
        self.nn = Sequential()
        self.nn.add(layers.Dense(64, activation='relu'))
        self.nn.add(layers.Dense(128, activation='relu'))
        self.nn.add(layers.Dense(64, activation='relu'))
        self.nn.add(layers.Dense(1))

    def call(self, x):
        x = tf.reshape(x, [x.shape[0], -1])
        x = self.nn(x)
        return x