TensorFlow搭建CNN实现时间序列预测（风速预测）

Cyril_KI

已于 2024-04-05 22:47:05 修改

阅读量5.7k

点赞数 12

分类专栏：时间序列预测 TensorFlow 文章标签： tensorflow cnn 时间序列预测

于 2022-08-29 09:36:27 首次发布

本文链接：https://blog.csdn.net/Cyril_KI/article/details/126578034

版权

时间序列预测同时被 2 个专栏收录

50 篇文章 518 订阅

订阅专栏

TensorFlow

17 篇文章 8 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。本文将利用CNN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. 一维卷积

我们比较熟悉的是CNN处理图像数据时的二维卷积，此时的卷积是一种局部操作，通过一定大小的卷积核作用于局部图像区域获取图像的局部信息。图像中不同数据窗口的数据和卷积核做inner product（内积）的操作叫做卷积，其本质是提纯，即提取图像不同频段的特征。

上面这段话不是很好理解，我们举一个简单例子：
在这里插入图片描述
假设最左边的是一个输入图片的某一个通道，为 $\times5$ ，中间为一个卷积核的一层， $\times3$ ，我们让卷积核的左上与输入的左上对齐，然后整个卷积核可以往右或者往下移动，假设每次移动一个小方格，那么卷积核实际上走过了一个 $\times3$ 的面积，那么具体怎么卷积？比如一开始位于左上角，输入对应为（1， 1， 1；-1， 0， -3；2， 1， 1），而卷积层一直为（1， 0， 0；0， 0， 0；0， 0， -1），让二者做内积运算，即1 * 1+（-1 * 1）= 0,这个0便是结果矩阵的左上角。当卷积核扫过图中阴影部分时，相应的内积为-1，如上图所示。

因此，二维卷积是将一个特征图在width和height两个方向上进行滑动窗口操作，对应位置进行相乘求和。

相比之下，一维卷积通常用于时序预测，一维卷积则只是在width或者height方向上进行滑动窗口并相乘求和。 如下图所示：
在这里插入图片描述
原始时序数为：(1, 20, 15, 3, 18, 12. 4, 17)，维度为8。卷积核的维度为5，卷积核为：(1, 3, 10, 3, 1)。那么将卷积核作用与上述原始数据后，数据的维度将变为：8-5+1=4。即卷积核中的五个数先和原始数据中前五个数据做卷积，然后移动，和第二个到第六个数据做卷积，以此类推。

IV. 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+其他变量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。

V. CNN模型

1. 模型搭建

CNN模型搭建如下：

class CNN(keras.Model):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = Sequential()
        self.conv1.add(layers.Conv1D(64, 2, activation='relu'))
        self.conv1.add(layers.MaxPool1D(pool_size=2, strides=1))

        self.conv2 = Sequential()
        self.conv2.add(layers.Conv1D(128, 2, activation='relu'))
        self.conv2.add(layers.MaxPool1D(pool_size=2, strides=1))
        self.Linear1 = layers.Dense(B * 50, activation='relu')
        self.Linear2 = layers.Dense(1)

    def call(self, x):
        x = self.conv1(x)   # (15, 24, 15)--->(15, 22, 64)
        # print(x.shape)
        x = self.conv2(x)   # (15, 22, 64)--->(15, 20, 128)
        x = tf.reshape(x, [x.shape[0], -1])
        x = self.Linear1(x)
        x = self.Linear2(x)

        return x

卷积层定义如下：

layers.Conv1D(64, 2, activation='relu')
layers.Conv1D(128, 2, activation='relu')

一维卷积的原始定义为：

tf.keras.layers.Conv1D(
    filters, kernel_size, strides=1, padding='valid',
    data_format='channels_last', dilation_rate=1, groups=1,
    activation=None, use_bias=True, kernel_initializer='glorot_uniform',
    bias_initializer='zeros', kernel_regularizer=None,
    bias_regularizer=None, activity_regularizer=None, kernel_constraint=None,
    bias_constraint=None, **kwargs
)