搭建神经网络进行气温预测

已于 2024-03-01 13:43:20 修改
阅读量3.2k 收藏 32
点赞数 1
分类专栏： 深度学习 文章标签： 神经网络 python tensorflow
于 2022-05-17 22:25:05 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_51491920/article/details/124830049
版权
这篇博客介绍了如何利用TensorFlow 2.x和Keras进行回归问题的预测。首先，从temps.csv文件加载数据，然后进行数据预处理，包括时间数据转换和特征独热编码。接着，构建了一个多层神经网络模型，并尝试通过调整初始化方法、正则化参数和训练次数来优化模型性能。最后，展示了模型预测结果并与实际值进行了比较。
摘要由CSDN通过智能技术生成

唐宇迪课程学习笔记

回归问题预测

  • Tensordlow2版本中将大量使用keras的简介建模方法
import numpy as np
import pandas as pd
import marplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import layers
import tensorflow.keras
import warnings
warnings.filterwarnings("ignore")
%matplotlib inline

features = pd.read_csv('temps.csv')

# 看看数据长什么样子
features.head()

在这里插入图片描述
数据表中

  • year,month,day,week 分别表示具体的时间
  • temp_2：前天的最高气温
  • temp_1：昨天的最高气温
  • average：在历史中，每年这一天的平均最高温度值
  • actual：这就是我们的标签值了，当天的真实最高温度
  • friend：这一列可能是凑热闹的，你的朋友猜测的可能值，咱们不管它就好
print('数据维度:', features.shape)

数据维度：（348, 9）

# 处理时间数据
import datetime

# 分别得到年，月，日
years = features['year']
months = features['month']
days = features['day']

# datetime 格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for years, month, day in zip(years, months, days)] 
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

dates[:5]

[datatime.datetime(2016, 1, 1, 0, 0),
datatime.datetime(2016, 1, 2, 0, 0),
datatime.datetime(2016, 1, 3, 0, 0),
datatime.datetime(2016, 1, 4, 0, 0),
datatime.datetime(2016, 1, 5, 0, 0)]

# 准备画图
# 指定默认风格
plt.style.use('fivethirtyeight')

# 设置布局
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, cols=2, figsize = (10, 10))
fig.autofmt_xdate(rotation = 45)

# 标签值
ax1.plot(dates, features['actual'])
ax1.set_xlabel('');ax1.set_ylabel('Temperature');ax1.set_title('MAX Temp')

# 昨天
ax2.plot(dates, features['tenp_1'])
ax2.set_xlabel('');ax2.set_ylabel('Temperature');ax2.set_title('Previous Max Temp')

# 前天
ax3.plot(dates, features['temp_2'])
ax3.set_xlabel('Date');ax3.set_ylabel('Temperature');ax3.set_title('Two Days Prior Max Temp')

# 我的逗逼朋友
ax4.plot(dates, features['friend'])
ax4.set_xlabel('Date');ax4.set_ylabel('Temperature');ax4,set_title('Friend Estimate')

plt.tight_layout(pad=2)

在这里插入图片描述

# 独热编码
features = pd.get_dumies(features)
features.head(5)

在这里插入图片描述

labels = np.array(features['actual'])

# 在特征中去掉标签
features = features.drop('actual', axis=1)

# 名字单独保存一下，以备后患
feature_list = list(features.columns)

# 转换成合适的格式
features = np.array(features)

features,shape

(348, 14)

from sklearn import preprocessing
input_features = preprocessing.StandardScaler().fit_transform(features)

基于Keras构建网络模型

一些常用参数已经列出，如下所示：

  • activation：激活函数的选择，一般常用relu
  • kernel_initializer, bias_initializer：权重与偏置参数的初始化方法，有时候不收敛换种初始化突然好使了…玄学
  • kernel_regularizer, bias_regularizer：要不要加入正则化
  • inputs：输入，可以自己制定，也可以让网络自动选
  • units：神经元个数

按顺序构造网络模型

model = tf.keras.Sequential()
model.add(layers.Dense(16))
model.add(layers.Dense(32))
model.add(layers.Dense(1))

compile 相当于对网络进行配置，指定好优化器和损失函数等

# SGD 梯度下降
model.compile(optimizer=tf.keras.optimizers.SGD(0.001),
			loss='mean_squared_error')

model.fit(input_features, labels, validation_split=0.25, epochs=10, batch_size=64)
# x, y, 验证集占25%, 10轮, 优化器每次迭代64

在这里插入图片描述
似乎存在一些问题，模型还没有完全收敛，能不能调些参数呢

model.summary()

在这里插入图片描述

更改初始化方法后

model = tf.keras.Sequential()
model.add(layers.Dense(16, kernel_initializer='random_normal'))
model.add(layers.Dense(32, kernel_initializer='random_normal'))
model.add(layers.Dense(1, kernel_initializer='random_normal'))

model.compile(optimizer=tf.keras.optimizers.SGD(0.001),
			loss='mean_squared_error')
model.fit(input_features, labels, validation_split=0.25, epochs=100, batch_size=64)

加入正则化惩罚项

model = tf.keras.Sequential()
model.add(layers.Dense(16, kernel_initializer='random_normal', kernel_regularizer=tf.keras.regularizers.l2(0.03)))
model.add(layers.Dense(32, kernel_initializer='random_normal', kernel_regularizer=tf.keras.regularizers.l2(0.03)))
model.add(layers.Dense(1, kernel_initializer='random_normal', kernel_regularizer=tf.keras.regularizers.l2(0.03)))

model.compile(optimizer=tf.keras.optimizers.SGD(0.001),
			loss='mean_squared_error')
model.fit(input_features, labels, validation_split=0.25, epochs=100, batch_size=64)

加入正则项，可以使W更加平滑

预测模型结果

predict = model.predict(input_features)

predict.shape

(348, 1)

测试结果并进行展示

# 转换日期
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for years, month, day in zip(years, months, days)] 
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

# 创建一个表格来存日期和其对应的标签数值
true_data = pd.DataFrame(data = {'date':dates, 'actual':labels})

# 同理，再创建一个来存日期和其对应的模型预测值
months = features[:, feature_list.index('month')]
days = features[:, feature_list.index('day')]
year = features[:, feature_list.index('year')]

test_dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for years, month, day in zip(years, months, days)] 

tset_dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

predications_data = pd.DataFrame(data = {'date':dates, 'actual':labels})

# 真实值
plt.plot(ture_data['date'], true_data['actual'], 'b-', label='actual')

# 预测值
plt.plot(predictions_data['data'], predictions_data['prediction'], 'ro', label ='prediction')
plt.xticks(rotation = '60')
plt.legend()

# 图名
plt.xlabel('Date);plt.ylabel('Maximum Temperature (F)');plt.title('Actual and Predicted Values');

在这里插入图片描述

主要看验证集和测试集上的 loss 值

Harvey2001
关注
专栏目录
神经网络预测天气的气温数据集
03-15
神经网络预测天气的气温数据集，包括了：year,moth,day,week分别表示的具体的时间；temp_2：前天的最高温度值；temp_1：昨天的最高温度值；average：在历史中，每年这一天的平均最高温度值；actual：这就是我们的标签值了，当天的真实最高温度；friend：这列用不到暂不用管
基于Tensorflow的神经网络模型搭建——气温预测
struggle的博客
06-18 2625
基于Tensorflow的神经网络模型搭建
Python深度学习实例--利用循环神经网络进行温度预测（时间序列预测）
m0_61856412的博客
08-28 933
在本节的例子中，将使用一个天气时间序列数据集，它由德国耶拿的马克思 • 普朗克生物地球化学研究所的气象站记录。在这个数据集中，每 10 分钟记录 14 个不同的量（比如气温、气压、湿度、风向等），其中包含多年的记录。原始数据可追溯到 2003 年，但本例仅使用 2009—2016 年的数据。这个数据集非常适合用来学习处理数值型时间序列。我们将会用这个数据集来构建模型，输入最近的一些数据（几天的数据点），可以预测 24 小时之后的气温。下载并解压数据。
深度学习框架tensorflow二实战（回归问题：天气预报）
weixin_43999137的博客
01-20 4824
此前没了解过tensorflow2的魅力的朋友可以先了解一下该网站：Click 首先准备一个小型数据集，2019年的某个地方的天气情况，各位同学也可以自行伪造一份符合正态分布的数据集。 这里提供了一份下载的链接。点击直通temp.csv。 废话不多说，直接加载我们的数据集看一下。 读取数据展示： features = pd.read_csv('temps.csv') print(features....
BP神经网络实现气温学习和预测代码及代码分析(python+tensorflow).zip
12-09
BP神经网络实现气温学习和预测代码及代码分析(python+tensflow)，用python+tensflow实现气温的预测，本代码包含数据集，不用重新下载，可以自行设置测试学习次数，误差范围，点开导包，运行即可使用，并且附上了因版本不同，可能出现导包错误的解决方法。我实在是即稳又贴心。
TensorFlow项目练手（一）——天气预测
点击置顶文章查看博客目录（全站式导航）
06-08 4253
通过以往的天气数据和实际天气温度，做一次回归预测，模型的输入是当前的所有特征值，而模型的输出是当天的实际天气温度。
神经网络进行气温预测-学习笔记
OliverFunction的博客
06-22 447
cuda 12.3其实可以发现，预测值和真实温度之间还是具有差别，我们可以设置隐层数量和增加迭代次数来提升模型的学习能力，增加隐层是为了让模型学习到更深层的特征表示。整体流程就是这样，这是一个线性的神经网络，大家要充分理解标准化的操作和神经网络的搭建流程。本人也是在学习AI的道路上，欢迎大家提出问题和分享答案。
使用机器学习预测天气(第三部分神经网络)
weixin_33774883的博客
01-12 3223
概述 这是使用机器学习预测平均气温系列文章的最后一篇文章了，作为最后一篇文章，我将使用google的开源机器学习框架tensorflow来构建一个神经网络回归器。关于tensorflow的介绍、安装、入门，请自己google，这里就不做讲述。 这篇文章我主要讲解一下几点： 了解人工神经网络理论 tensorflow高级API:Estimators 构建DNN模型预测天气 人工神经网络基础理论 上一...
基于TensorFlow 实战案例：气温预测（附 Python 完整代码和数据集)
m0_59596937的博客
10-07 9696
各位同学好，今天和大家分享一下TensorFlow2.0深度学习中的一个小案例。案例内容：现有348个气温样本数据，每个样本有8项特征值和1项目标值，进行回归预测，构建神经网络模型。
免费temps.csv 搭建PyTorch神经网络进行气温预测数据集.zip
07-17
免费领！！ 搭建PyTorch神经网络进行气温预测数据集 temps.csv 数据格式： temp_2：前天的最高温度值 temp_1：昨天的最高温度值 ...基于pytorch框架手动搭建神经网络进行气温数据的预测，深度学习实战数据集
基于Pytorch全连接神经网络优化器Adam实现天气温度的回归预测仿真源码+数据（高分项目）.rar
04-10
资源内容：基于Pytorch全连接神经网络优化器Adam实现天气温度的回归预测仿真（完整源码+数据）.rar 代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 适用对象：工科生、数学专业、算法等方向...
搭建PyTorch神经网络进行气温预测(练习)
weixin_44920757的博客
05-06 2676
#torch.optim是一个实现了各种优化算法的库 import numpy as np import pandas as pd import matplotlib.pyplot as plt import torch import torch.optim as optim #通过调用 warnings 模块中定义的 warn() 函数来发出警告 import warnings #通过调用 filterwarnings() 将规则添加到过滤器，ignore" 忽略匹配的警告 warnings.filte
搭建PyTorch神经网络进行气温预测
qq_49641705的博客
07-11 2148
学习用Pytorch搭建一个两层的神经网络，用来进行气温预测。本次一共用了两种方法，一种手动构建，另一种运用Pytorch中的nn模块进行构建。
9大项目实战！tensorflow2.0框架实战（免费资料+干货合集）
zandaoguang的博客
08-11 4914
(翻至底部还有超多免费资料+干货合集）随着PyTorch的不断发展，你是否开始抛弃TF转而向PT发起进攻了呢？即便现在Pytorch发展迅速，但TensorFlow就像一个定时炸弹，你不...
基于TensorFlow的神经网络气温预测
sxmf566的博客
10-04 351
然后就可以用jupyter notebook导入数据做进一步分析。
基于 CUDA 的神经网络进行气温预测
qq_44743171的博客
06-15 273
基于 CUDA 的神经网络进行气温预测。
搭建Pytorch神经网络进行气温预测（代码逐行讲解）
qq_60498436的博客
03-15 2432
这段代码将年月日数据转换为datetime格式，可以方便地对时间数据进行处理和分析。查看datetime的数据格式。更简单的构建网络模型。
【学术会议征稿】2024年信号处理与神经网络应用国际学术会议（SPNNA 2024）
最新发布
XIAOAIXUEJIE的博客
10-09 429
2024年信号处理与神经网络应用国际学术会议（SPNNA 2024）将于2024年12月13日至15日在中国武汉召开。会议涵盖信号处理和神经网络应用的多个方面，包括但不限于信号分析与处理、图像和视频处理、深度学习、机器学习、模式识别和大数据处理等领域。递归神经网络（RNN）及其在序列数据中的应用。神经网络在自然语言处理（NLP）中的应用。神经网络在物联网（IoT）中的应用。神经网络在异常检测与预警中的应用。神经网络在医学影像分析中的应用。神经网络在智能交通系统中的应用。神经网络在边缘计算中的应用。
帮我写一个搭建pytorch神经网络进行气温预测的代码
08-23
### 回答1： 好的，以下是一个简单的搭建pytorch神经网络进行气温预测的代码： ``` import torch import torch.nn as nn import torch.optim as optim import numpy as np # 准备数据 x_train = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]], dtype=np.float32) y_train = np.array([[4.5], [7.5], [10.5], [13.5]], dtype=np.float32) # 定义模型 class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.fc1 = nn.Linear(3, 10) self.fc2 = nn.Linear(10, 1) def forward(self, x): x = torch.relu(self.fc1(x)) x = self.fc2(x) return x net = Net() # 定义损失函数和优化器 criterion = nn.MSELoss() optimizer = optim.SGD(net.parameters(), lr=.01) # 训练模型 for epoch in range(100): inputs = torch.from_numpy(x_train) labels = torch.from_numpy(y_train) optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() if epoch % 100 == : print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item())) # 预测 x_test = np.array([[13, 14, 15], [16, 17, 18]], dtype=np.float32) with torch.no_grad(): inputs = torch.from_numpy(x_test) outputs = net(inputs) print(outputs) ``` 这个代码可以用来预测气温，其中x_train是训练数据，y_train是训练数据对应的标签，Net是一个简单的神经网络模型，criterion是损失函数，optimizer是优化器，训练过程中会输出损失值，最后用训练好的模型预测x_test对应的输出。 ### 回答2： import torch import torch.nn as nn import torch.optim as optim import numpy as np # 准备数据 temperature_celsius = np.array([-5, 0, 10, 20, 30, 35, 40], dtype=np.float32) temperature_fahrenheit = np.array([-23, 32, 50, 68, 86, 95, 104], dtype=np.float32) # 转换为张量 x_train = torch.from_numpy(temperature_celsius).unsqueeze(1) y_train = torch.from_numpy(temperature_fahrenheit).unsqueeze(1) # 定义神经网络模型 class TemperaturePredictor(nn.Module): def __init__(self): super(TemperaturePredictor, self).__init__() self.linear = nn.Linear(1, 1) def forward(self, x): return self.linear(x) model = TemperaturePredictor() # 定义损失函数和优化器 loss_function = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.01) # 训练模型 num_epochs = 1000 for epoch in range(num_epochs): # 前向传播 outputs = model(x_train) loss = loss_function(outputs, y_train) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() # 每隔100个epoch打印一次loss if (epoch+1) % 100 == 0: print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item())) # 使用模型进行预测 x_test = torch.tensor([[15]]) predicted = model(x_test) print('预测结果: {:.2f}华氏度'.format(predicted.item())) ### 回答3： import torch import torch.nn as nn import torch.optim as optim # 定义神经网络模型 class TempPredictionModel(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(TempPredictionModel, self).__init__() self.hidden_layer = nn.Linear(input_dim, hidden_dim) self.output_layer = nn.Linear(hidden_dim, output_dim) def forward(self, x): x = torch.relu(self.hidden_layer(x)) x = self.output_layer(x) return x # 设置模型参数和训练参数 input_dim = 1 # 输入特征维度为1，即气温 hidden_dim = 10 # 隐藏层维度设为10 output_dim = 1 # 输出维度为1，即预测结果为一个实数 learning_rate = 0.01 # 学习率 num_epochs = 1000 # 训练次数 # 准备训练数据 # 假设已经有了一个包含多个气温数据的训练集train_data # train_data的shape为 (num_samples, input_dim)，num_samples为训练样本数量 # 将训练数据转化为Tensor train_data = torch.tensor(train_data, dtype=torch.float32) # 创建模型实例 model = TempPredictionModel(input_dim, hidden_dim, output_dim) # 定义损失函数 criterion = nn.MSELoss() # 定义优化器 optimizer = optim.SGD(model.parameters(), lr=learning_rate) # 模型训练 for epoch in range(num_epochs): # 前向传播 outputs = model(train_data) # 计算损失 loss = criterion(outputs, train_data) # 反向传播及优化 optimizer.zero_grad() loss.backward() optimizer.step() # 打印训练过程 if (epoch+1) % 100 == 0: print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item())) # 模型训练完成，可以用于预测了 # 假设已经有了一个包含多个待预测的气温数据的测试集test_data # test_data的shape为 (num_samples, input_dim)，num_samples为待预测样本数量 # 将测试数据转化为Tensor test_data = torch.tensor(test_data, dtype=torch.float32) # 开始预测 predicted_temperatures = model(test_data) # 将预测结果从Tensor转化为numpy数组 predicted_temperatures = predicted_temperatures.detach().numpy() # 打印预测结果 for i in range(len(predicted_temperatures)): print('真实气温: {:.1f}, 预测气温: {:.1f}'.format(test_data[i], predicted_temperatures[i]))
评论 13
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Harvey2001

感谢您的认可，无限飓风不断进步

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值