PM2.5数据集LSTM时序预测python3代码

最新推荐文章于 2024-09-21 22:54:55 发布

沂异

最新推荐文章于 2024-09-21 22:54:55 发布

阅读量3.5k

点赞数 2

文章标签： tensorflow 数据挖掘机器学习深度学习神经网络

本文链接：https://blog.csdn.net/qq_38070686/article/details/106385617

版权

本文利用UCI数据集中的PM2.5空气质量数据，通过将时间序列转化为监督学习问题，使用Keras和Tensorflow训练单层LSTM网络进行预测。实验包括数据归一化、特征选择、数据集划分、模型训练和预测，最终通过MAE和RMSE评估模型性能。

摘要由CSDN通过智能技术生成

PM2.5数据集LSTM实现预测

数据集说明

本实验采用的PM2.5空气质量数据集来自UCI公共数据集网站，包含了一系列与空气质量有关的天气数据，此数据集为多变量时间序列，每个记录的间隔为一小时，实例数量为43824条，其中前24条未在数据集中使用。该数据集是从2010年初到2014年底收集的美国驻华使馆的空气质量数据，在此实验中选择了具有实值的43800条作为实验数据，预测的因变量值为PM2.5这个属性。

主要步骤

实验过程主要分为以下几步：

读取数据文件。
时间序列数据转化为监督学习问题，并进行数据归一化。
去除在本实验中无用的列。
数据集分为测试集和训练集，以及验证集。
Keras与tensorflow训练单层LSTM网络。
用测试集进行预测。
数据反归一化。
MAE (Mean Absolute Error，平均绝对误差)与RMSE(Root Mean Squared Error, 均方根误差)对训练集的预测结果进行评估。
通过图像与真实值的曲线作对比。

环境

Keras:2.3.1, Tensorflow:2.1.0,python3.7

全部代码

//都是机器学习常用最新的工具包

from math import sqrt
from numpy import concatenate
from matplotlib import pyplot
from pandas import read_csv
from pandas import DataFrame
from pandas import concat
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import LabelEncoder
from sklearn.metrics import mean_squared_error
from sklearn.metrics import mean_absolute_error
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM

转化为监督数据

def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):
	n_vars = 1 if type(data) is list else data.shape[1]
	df = DataFrame(data)
	cols, names = list(), list()
	for i in range(n_in, 0, -1):
		cols.append(df.shift(i))
		names +=