风速预测（一）数据集介绍和预处理

  往期精彩内容：

时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较-CSDN博客

风速预测（一）数据集介绍和预处理-CSDN博客

风速预测（二）基于Pytorch的EMD-LSTM模型-CSDN博客

风速预测（三）EMD-LSTM-Attention模型-CSDN博客

风速预测（四）基于Pytorch的EMD-Transformer模型-CSDN博客

风速预测（五）基于Pytorch的EMD-CNN-LSTM模型-CSDN博客

风速预测（六）基于Pytorch的EMD-CNN-GRU并行模型-CSDN博客

风速预测（七）VMD-CNN-BiLSTM预测模型-CSDN博客

CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)-CSDN博客

CEEMDAN +组合预测模型(CNN-LSTM + ARIMA)-CSDN博客

CEEMDAN +组合预测模型(Transformer - BiLSTM+ ARIMA)-CSDN博客

 CEEMDAN +组合预测模型(CNN-Transformer + ARIMA)-CSDN博客

多特征变量序列预测(一)——CNN-LSTM风速预测模型-CSDN博客

多特征变量序列预测(二)——CNN-LSTM-Attention风速预测模型-CSDN博客

多特征变量序列预测(三)——CNN-Transformer风速预测模型-CSDN博客

多特征变量序列预测(四)Transformer-BiLSTM风速预测模型-CSDN博客

多特征变量序列预测(五) CEEMDAN+CNN-LSTM风速预测模型-CSDN博客

多特征变量序列预测(六) CEEMDAN+CNN-Transformer风速预测模型-CSDN博客

多特征变量序列预测(七) CEEMDAN+Transformer-BiLSTM预测模型-CSDN博客

基于麻雀优化算法SSA的CEEMDAN-BiLSTM-Attention的预测模型-CSDN博客

基于麻雀优化算法SSA的CEEMDAN-Transformer-BiGRU预测模型-CSDN博客

多特征变量序列预测(八)基于麻雀优化算法的CEEMDAN-SSA-BiLSTM预测模型-CSDN博客

多特征变量序列预测(九)基于麻雀优化算法的CEEMDAN-SSA-BiGRU-Attention预测模型-CSDN博客

多特征变量序列预测(10)基于麻雀优化算法的CEEMDAN-SSA-Transformer-BiLSTM预测模型-CSDN博客

超强预测算法：XGBoost预测模型-CSDN博客

VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型-CSDN博客

基于麻雀优化算法SSA的预测模型——代码全家桶-CSDN博客

1 风速数据集来源

        国内气象站点的数据因为其保密性和版权问题，往往难以下载，不少数据网站通过国外气象站点的观测数据进行处理转换，得到国内城市区域的气象数据，都采用收费形式才能获取，本文提供一些免费获取风速数据的平台：

1.1 美国国家海洋和大气管理局（NOAA）下设的国家环境信息中心(NCEI)  

地址：https://www.ncei.noaa.gov/data/global-summary-of-the-day/archive/

数据包括1929——2022年的气象数据

1.2 美国国家航空航天局-地球数据

地址：https://www.earthdata.nasa.gov/

1.3 kaggle平台

地址：https://www.kaggle.com/

kaggle平台是机器学习和数据科学社区，里面有大量的数据集,直接搜索"wind speed",可以看到有上百个数据集

简单介绍两个排名靠前的高分数据集，

• 一个数据集比较大，是巴西气候地表数据-每小时，2000年至2021年间122个气象站的小时气候数据，

  地址：https://www.kaggle.com/datasets/PROPPG-PPG/hourly-weather-surface-brazil-southeast-region

• 另一个数据集小一点，是本文采用的数据集（文末附数据集）

  地址：https://www.kaggle.com/datasets/budincsevity/

  szeged-weather/

2 数据集介绍

本文采用kaggle平台数据集：2006年至2016年塞格德的气象数据，包括每小时/每日数据，包括温度、压力、风速等。

第一步，读取数据

该数据为每小时时间序列数据，一共96453条，包括：时间、天气类型、降水类型、气温、体表温度、湿度、风速（km/小时）、风向（度）、能见度（km）、噪声、气压、全天天气12个变量。

第二步，提取数据集中的风速数据，并按照一天（24小时）的平均值进行重采样

import pandas as pd

# 读取原始 CSV 文件
df = pd.read_csv('weatherHistory.csv'  )

# 移除时区信息并将日期时间列解析为 Pandas 的日期时间类型（包括毫秒）
df['Formatted Date'] = pd.to_datetime(df['Formatted Date'].str.replace(r'\s+\+\d{4}', '', regex=True),
                                      format='%Y-%m-%d %H:%M:%S.%f', utc=True)

# 将日期时间列设置为索引
df.set_index('Formatted Date', inplace=True)

# 提取 风速 列
selected_column = df[['Wind Speed (km/h)']]

# 按照一天（24小时）的平均值重新采样
daily_avg_wind_speed = selected_column.resample('D').mean()

# 保存结果到新的 CSV 文件
daily_avg_wind_speed.to_csv('wind_speed.csv')

daily_avg_wind_speed

这样，数据就采集成为日平均风速，一共4018条数据。

第三步，数据可视化

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc("font", family='Microsoft YaHei')

# 读取数据
data = pd.read_csv('wind_speed.csv')
# 可视化
plt.figure(figsize=(15,5), dpi=100)
plt.grid(True)
plt.plot(data['Wind Speed (km/h)'], color='green')
plt.show()

3 风速数据集预处理

第一步，先划分数据集

我们按照8：2划分训练集和测试集，划分比例不同，也会对后续的模型训练推理效果有影响，比如对电池寿命的预测中，明显训练集的数据量划分越多，模型拟合效果越好[1]。

第二步，滑动窗口介绍

在时间序列预测问题中，滑动窗口是一种常用的数据处理方法，用于将时间序列数据转换为模型的输入特征和输出标签。滑动窗口的基本思想是以固定的时间窗口长度对时间序列进行切片，每次滑动一定的步长，从而生成一系列的子序列。这些子序列可以作为模型的输入特征，同时可以对应相同长度的下一个时间步的数据作为输出标签。这样就可以将时间序列数据转换为监督学习问题的数据集，用于训练和测试预测模型。

具体来说，对于一个时间序列 [x1, x2, x3, ..., xn]，滑动窗口的过程如下：

1. 选择固定长度的时间窗口，比如长度为w。

2. 从序列的起始位置开始，取前w个数据作为输入特征，同时取第w+1个数据作为输出标签，形成第一个样本。

3. 然后向后滑动一个固定的步长，取第2到w+1个数据作为输入特征，同时取第w+2个数据作为输出标签，形成第二个样本，依此类推，直到序列末尾。

比如序列长为20，滑动窗口设置为4

训练集，滑动：

构造训练集数据和对应标签：

构造测试集数据和对应标签：

通过滑动窗口的处理，原始的时间序列数据被转换为一系列的样本，每个样本包括了固定长度的输入特征和对应的输出标签，用于模型的训练和测试。滑动窗口技术可以帮助模型捕捉时间序列数据的局部模式和趋势，提高模型对时间序列的预测能力。

第三步，代码实现

import numpy as np

# 生成示例时间序列数据
time_series = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

# 定义滑动窗口大小
window_size = 3

# 使用滑动窗口处理时间序列数据
def data_window_maker(time_series, window_size):
    # 用来存放输入特征
    data_x = []
    # 用来存放输出标签
    data_y = []
    # 构建训练集和对应标签
    for i in range(len(time_series) - window_size):
        data_x.append(time_series[i:i+window_size])  # 取前window_size个数据作为输入特征
        data_y.append(time_series[i+window_size])  # 取第window_size+1个数据作为输出标签

    return data_x, data_y

x, y = data_window_maker(time_series, window_size)

print("输出标签y：", y)
x

选择合适的 window_size 对于时间序列数据的滑动窗口处理非常关键。window_size 的大小直接影响着模型对时间序列数据的理解和预测能力。下面是一些关于选择 window_size 的决策因素：

• 上下文长度：window_size 应该足够长，能够捕获时间序列数据中的重要上下文信息，以便模型能够学习到时间序列数据的长期依赖关系。

• 数据周期性：如果时间序列数据具有明显的周期性，window_size 最好能够覆盖一个完整的周期，这样可以帮助模型更好地理解周期性特征。

• 数据频率：如果时间序列数据的采样频率很高，那么可能需要选择较小的 window_size，以便更好地捕捉时间序列数据的变化。

• 数据长度：如果时间序列数据比较长，可以适当增大 window_size，以提高模型对整体趋势的理解。

• 训练样本数量：选择合适的 window_size 可以确保生成足够数量的训练样本，以便模型能够充分学习时间序列数据的模式。

一般来说，选择合适的 window_size 需要结合具体的时间序列数据特点和预测任务需求来进行调整。通常情况下，可以通过尝试不同的 window_size 并进行交叉验证来确定最佳的参数值。也可阅读相关领域的论文，参考论文中的设定数值。