深度学习——LSTM火灾温度预测

🍨 本文为🔗365天深度学习训练营 中的学习记录博客
🍦 参考文章：第R2周：LSTM-火灾温度预测（训练营内部可读）
🍖 作者：K同学啊

任务说明：数据集中提供了火灾温度（Tem1）、一氧化碳浓度（CO 1）、烟雾浓度（Soot 1）随着时间变化数据，我们需要根据这些数据对未来某一时刻的火灾温度做出预测（本次任务仅供学习）
🍺要求：
1、了解LSTM是什么，并使用其构建一个完整的程序。
2、R2达到0.83
🍻拔高：
使用第1~8个时刻的数据 预测第9~10个时刻的温度数据。

🍺我的环境：

• 语言环境：Python3.7
• 编译器：Spyder
• 深度学习框架：TensorFlow2.4.1
• 数据地址：🔗百度网盘

传统的循环神经网络（RNN）在网络中引入循环来处理时间序列的问题，但在处理长序列的数据依赖的关系时候，存在“梯度消失”和“梯度爆炸”等问题。为了解决这些问题，引入了长短期记忆神经网络（LSTM）。

由上图可以看出LSTM包括Input Gate(输入门)、Forget Gate(遗忘门)、Output Gate(输出门)。

1. 遗忘门（forget gate）：帮助我们决定哪些信息需要从细胞状态中丢弃。遗忘门通过接收上一时刻的隐藏状态 和当前时刻的观测值 ，生成一个范围在 0 到 1 之间的值，表示前一时刻的信息在当前时刻需要被遗忘的程度。
2. 输入门（input gate）：帮助我们决定哪些信息需要更新细胞状态。输入门通过接收上一时刻的隐藏状态和当前时刻的观测值，生成一个范围在0 到 1 之间的值，表示当前时刻需要更新的信息。
3. 输出门（output gate）：帮助我们决定哪些信息需要输出。输出门通过接收上一时刻的隐藏状态和当前时刻的观测值，生成一个范围在 0到 1 之间的值，表示当前时刻需要输出的信息。

一、前期准备工作

1、导入数据

import tensorflow as tf
import pandas as pd
import numpy as np

gups=tf.config.list_physical_devices("GPU")
if gpus:
    tf.config.experimental.set_memory_growth(gups[0],True)
    tf.config.set_visible_devices([gpus[0]],"GPU")
print(gpus)

# 导入数据
df_1=pd.read_csv("D:/桌面/深度学习数据/woodpine2.csv")
print(df_1)

2、数据可视化

import matplotlib.pyplot as plt
import seaborn as sns

plt.rcParams['savefig.dpi']=500
plt.rcParams['figure.dpi']=500

fig,ax=plt.subplots(1,3,constrained_layout=True,figsize=(14,3))

sns.lineplot