深度学习 Day23——利用RNN实现天气预测

最新推荐文章于 2025-01-19 23:36:45 发布
最新推荐文章于 2025-01-19 23:36:45 发布
阅读量4.8k 收藏 66
点赞数 17
分类专栏： 365天深度学习训练营学习打卡专栏 文章标签： 深度学习 rnn tensorflow
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_52417436/article/details/128494292
版权
本文介绍了使用RNN预测澳大利亚各地天气数据中明天是否会下雨的过程。通过探索性数据分析，发现湿度、气压、气温等因素与降雨的相关性。经过数据预处理和构建模型，利用TensorFlow训练RNN模型，最终模型达到约84%的验证准确率，展示出RNN在时间序列预测上的应用潜力。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

深度学习 Day23——利用RNN实现天气预测

文章目录

一、前言

🍨 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R3周：LSTM-火灾温度预测（训练营内部可读）

🍖 作者：K同学啊

在本期博客中我们将继续利用RNN来实现一些预测，本期数据集我们将用到来自澳大利亚许多地点的大约10年的每日天气观测数据，我们将利用这些数据对明天是否会下雨进行一个预测，并在博客的后面添加探索式数据分析，我们首先来看一下我们的CSV数据集：

在这里插入图片描述

数据量有点大，大致看一下可以发现第一行是数据标签，对应各种数值含义，标签下面都是数据。

二、我的环境

  • 电脑系统：Windows 11
  • 语言环境：Python 3.8.5
  • 编译器：DataSpell 2022.2
  • 深度学习环境：TensorFlow 2.4.0
  • 显卡及显存：RTX 3070 8G

三、前期工作

1、导入依赖项

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation,Dropout
from tensorflow.keras.callbacks import EarlyStopping
from tensorflow.keras.layers import Dropout
from sklearn.metrics import classification_report,confusion_matrix
from sklearn.metrics import r2_score
from sklearn.metrics import mean_absolute_error , mean_absolute_percentage_error , mean_squared_error

2、导入数据

data = pd.read_csv("data/weatherAUS.csv")
df = data.copy()
data.head()

在这里插入图片描述

3、查看数据基本信息

data.describe()

在这里插入图片描述

4、查看各列数据的数据类型

data.dtypes

在这里插入图片描述

5、转换数据集中有关时间数据转换为时间格式

data['Date'] = pd.to_datetime(data['Date'])
data['Date']

在这里插入图片描述

data['year'] = data['Date'].dt.year
data['Month'] = data['Date'].dt.month
data['day'] = data['Date'].dt.day
data.head()

在这里插入图片描述

在这里插入图片描述

6、删除Date标签列

data.drop('Date', axis=1, inplace=True)

7、查看所有列的标签

data.columns

Index(['Location', 'MinTemp', 'MaxTemp', 'Rainfall', 'Evaporation', 'Sunshine',
       'WindGustDir', 'WindGustSpeed', 'WindDir9am', 'WindDir3pm',
       'WindSpeed9am', 'WindSpeed3pm', 'Humidity9am', 'Humidity3pm',
       'Pressure9am', 'Pressure3pm', 'Cloud9am', 'Cloud3pm', 'Temp9am',
       'Temp3pm', 'RainToday', 'RainTomorrow', 'year', 'Month', 'day'],
      dtype='object')

四、探索式数据分析

1、数据相关性探索

plt.figure(figsize=(15,13))
# data.corr()表示了data中的两个变量之间的相关性
ax = sns.heatmap(data.corr(), square=True, annot=True, fmt='.2f')
ax.set_xticklabels(ax.get_xticklabels(), rotation=90)
plt.show()

在这里插入图片描述

2、明天是否会下雨

sns.set(style="darkgrid")
plt.figure(figsize=(4,3))
sns.countplot(x='RainTomorrow',data=data)

<AxesSubplot:xlabel='RainTomorrow', ylabel='count'>

在这里插入图片描述

plt.figure(figsize=(4,3))
sns.countplot(x='RainToday',data=data)

<AxesSubplot:xlabel='RainToday', ylabel='count'>

在这里插入图片描述

然后我们创建一个交叉表用于统计分组频率：

x = pd.crosstab(data['RainTomorrow'], data['RainToday'])
x

在这里插入图片描述

统计出频率之后我们继续来求出概率：

y = x / x.transpose().sum().values.reshape(2,1)*100
y

在这里插入图片描述

可以得出，如果今天不下雨那么明天下雨的概率约为15.4%，如果今天下雨那么明天下雨的概率约为46.8%。我们将概率用图表画出来：

y.plot(kind='bar', figsize=(4, 3), color=['#006666', '#d279a6'])

在这里插入图片描述

3、地理位置与下雨的关系

x=pd.crosstab(data['Location'],data['RainToday'])
#获取每个城市下雨天数和非下雨天数的百分比
y=x/x.transpose().sum().values.reshape((-1,1))*100
#按每个城市的雨天百分比排序
y=y.sort_values(by='Yes',ascending=True)
color=['#cc6699','#006699','#006666','#862d86','#ff9966' ]
y.Yes.plot(kind="barh",figsize=(15,20),color=color)

在这里插入图片描述

我们由图表可以分析出，地理位置会影响下雨，例如：对于城市Portland一年有36%的时间在下雨，而对于城市Woomers来说一年只有6%的时间在下雨。

4、湿度和气压对下雨的影响

我们绘制气压9am的图像：

plt.figure(figsize=(8,6))
sns.scatterplot(data=data,x='Pressure9am',y='Pressure3pm',hue='RainTomorrow')

在这里插入图片描述

我们绘制湿度9am的图像：

plt.figure(figsize=(8,6))
sns.scatterplot(data=data,x='Humidity9am',y='Humidity3pm',hue='RainTomorrow')

在这里插入图片描述

由图表我们分析可知，低压与高湿度会增加第二天下雨的概率，尤其是下午3点的空气湿度。

5、气温对下雨的影响

我们绘制最高气温和最低气温对是否下雨的图像：

plt.figure(figsize=(8,6))
sns.scatterplot(x='MaxTemp',y='MinTemp',data=data,hue='RainTomorrow')

在这里插入图片描述

由图像我们分析可知，当一天的最高气温和最低气温接近时，第二天下雨的概率会增加。

五、数据预处理

1、检查数据中缺失值的百分比

#每列中缺失数据的百分比
data.isnull().sum()/data.shape[0]*100

在这里插入图片描述

2、将存在的缺失值进行随机选择数替换

#在该列中随机选择数进行填充
lst=['Evaporation','Sunshine','Cloud9am','Cloud3pm']
for col in lst:
    fill_list =data[col].dropna()
    data[col] =data[col].fillna(pd.Series(np.random.choice(fill_list,size=len(data.index))))

s=(data.dtypes =="object")
object_cols=list(s[s].index)
object_cols

['Location',
 'WindGustDir',
 'WindDir9am',
 'WindDir3pm',
 'RainToday',
 'RainTomorrow']

#inplace=True：直接修改原对象，不创建副本
#data[i].mode()[0] 返回频率出现最高的选项，众数

for i in object_cols:
    data[i].fillna(data[i].mode()[0],inplace=True)

t=(data.dtypes =="float64")
num_cols=list(t[t].index)
num_cols

['MinTemp',
 'MaxTemp',
 'Rainfall',
 'Evaporation',
 'Sunshine',
 'WindGustSpeed',
 'WindSpeed9am',
 'WindSpeed3pm',
 'Humidity9am',
 'Humidity3pm',
 'Pressure9am',
 'Pressure3pm',
 'Cloud9am',
 'Cloud3pm',
 'Temp9am',
 'Temp3pm']

#.median(), 中位数
for i in num_cols:
    data[i].fillna(data[i].median(), inplace=True)

3、再次检查数据集中是否存在缺失值

data.isnull().sum()

在这里插入图片描述

4、构建数据集

在处理数据标签时，机器学习或深度学习能识别的标签都是数字类型，分类时用0,1,2…，预测时是浮点数，而大多数数据起始时都不是这种类型，像：“男”和“女”，“是”和“否”，“猫”或“狗”或“人”这类的比较多，因此需要将它们转换为数字类型。

LabelEncoder：将n个类别编码为0~n-1之间的整数（包含0和n-1），以下是使用LabelEncoder转换标签的实例：

from sklearn.preprocessing import LabelEncoder

label_encoder=LabelEncoder()
for i in object_cols:
    data[i] =label_encoder.fit_transform(data[i])

X=data.drop(['RainTomorrow','day'],axis=1).values
y=data['RainTomorrow'].values

X_train,X_test, y_train, y_test =train_test_split(X,y,test_size=0.25,random_state=101)

scaler=MinMaxScaler()
scaler.fit(X_train)
X_train=scaler.transform(X_train)
X_test =scaler.transform(X_test)

六、利用RNN预测明天是否下雨

1、搭建RNN神经网络结构

model=Sequential()
model.add(Dense(units=24,activation='tanh',))
model.add(Dense(units=18,activation='tanh'))
model.add(Dense(units=23,activation='tanh'))
model.add(Dropout(0.5))
model.add(Dense(units=12,activation='tanh'))
model.add(Dropout(0.2))
model.add(Dense(units=1,activation='sigmoid'))

2、编译模型

from tensorflow.keras.optimizers import Adam

optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4)

model.compile(loss='binary_crossentropy',
              optimizer=optimizer,
              metrics="accuracy")

3、设置早停

early_stop=EarlyStopping(monitor='val_loss',
                         mode='min',
                         min_delta=0.001,
                         verbose=1,
                         patience=25,
                         restore_best_weights=True)

4、模型训练

history=model.fit(x=X_train,
y=y_train,
validation_data=(X_test,y_test), verbose=1,
callbacks=[early_stop],
epochs =10,
batch_size =32
)

训练的结果是：

Epoch 1/10
   1/3410 [..............................] - ETA: 0s - loss: 0.7532 - accuracy: 0.4688WARNING:tensorflow:Callbacks method `on_train_batch_end` is slow compared to the batch time (batch time: 0.0000s vs `on_train_batch_end` time: 0.0010s). Check your callbacks.
3410/3410 [==============================] - 2s 671us/step - loss: 0.4421 - accuracy: 0.8066 - val_loss: 0.3883 - val_accuracy: 0.8310
Epoch 2/10
3410/3410 [==============================] - 2s 661us/step - loss: 0.3974 - accuracy: 0.8319 - val_loss: 0.3786 - val_accuracy: 0.8363
Epoch 3/10
3410/3410 [==============================] - 2s 631us/step - loss: 0.3902 - accuracy: 0.8347 - val_loss: 0.3758 - val_accuracy: 0.8379
Epoch 4/10
3410/3410 [==============================] - 2s 627us/step - loss: 0.3869 - accuracy: 0.8367 - val_loss: 0.3739 - val_accuracy: 0.8386
Epoch 5/10
3410/3410 [==============================] - 2s 621us/step - loss: 0.3848 - accuracy: 0.8366 - val_loss: 0.3757 - val_accuracy: 0.8377
Epoch 6/10
3410/3410 [==============================] - 2s 651us/step - loss: 0.3824 - accuracy: 0.8379 - val_loss: 0.3728 - val_accuracy: 0.8389
Epoch 7/10
3410/3410 [==============================] - 2s 678us/step - loss: 0.3822 - accuracy: 0.8374 - val_loss: 0.3712 - val_accuracy: 0.8398
Epoch 8/10
3410/3410 [==============================] - 2s 651us/step - loss: 0.3809 - accuracy: 0.8382 - val_loss: 0.3705 - val_accuracy: 0.8396
Epoch 9/10
3410/3410 [==============================] - 2s 624us/step - loss: 0.3789 - accuracy: 0.8391 - val_loss: 0.3699 - val_accuracy: 0.8401
Epoch 10/10
3410/3410 [==============================] - 2s 611us/step - loss: 0.3790 - accuracy: 0.8393 - val_loss: 0.3695 - val_accuracy: 0.8394

5、模型评估

import matplotlib.pyplot as plt

acc = model.history.history['accuracy']
val_acc = model.history.history['val_accuracy']

loss = model.history.history['loss']
val_loss = model.history.history['val_loss']

epochs_range = range(10)

plt.figure(figsize=(14, 4))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

在这里插入图片描述

七、最后我想说

本期的博客就到这里结束了，训练营有关RNN的实验到这里就结束了，后续我也会自己去找一下有关这方面的实验进行学习，拓宽自己的知识面，下一期博客开始，我们将暂时离开TensorFlow转战Pytorch的学习。

最后，马上就要跨越到2023年了，今年的时间过得可真快，在2022年中经历了很多事，也从中学到了很多，也多谢我的粉丝们这一路的陪伴，提前祝你们2023年新年快乐，心想事成，在新的一年里不留遗憾，谢谢！

【NLP】seq2seq 由浅入深——基于Rnn和Cnn的处理方式
让算法融入生活，改变生活！
10-01 1629
seq2seq seq2seq最初是google2014年在《Sequence to Sequence Learning with Neural Networks》提出的，简单的说就是一种序列到另一种序列的转换。在自然语言处理( Natural Language Processing, NLP)应用领域主要有翻译，摘要，作诗等等。 自从seq2seq提出后，关于seq2seq的变体也有很多，但大多都是基于循环神经网络（Recurrent Neural Network，RNN）进行的处理，随后逐渐引入基于at
2020地理设计组三等奖：基于深度学习的气象干旱时空预测分析
JData_Engineer的博客
03-26 984
（1）针对现有时间序列预测方法要么是线性模型，要么是非线性模型，而线性和非线性模型在不同时间尺度上的预测效果各有利弊，提出将线性模型和非线性模型结合的方法：本项目通过对不同时间尺度的SPI 序列进行线性模型和非线性模型的组合预测，解决了大部分时间序列预测问题时只能“二选一”的难题，同时本文在非线性模型上选用了具有自学习能力的LSTM 来替代传统的ANN 等非线性模型，解决了神经网络在训练过程中极大可能会产生过拟合（overfit）和欠拟合（underfit）的现象，从而提高非线性模型的预测精度。
【深度学习】——循环神经网络RNN及实例气温预测、单层lstm股票预测
杨老师的小跟班(*∩_∩*)
01-29 6328
密集连接网络和卷积神经网络都有主要的特点，那就是它们没有记忆。它们单独处理每个输入，在输入和输入之间没有保存任何状态。举个例子：当你在阅读一个句子的时候，你需要记住之前的内容，我们才能动态的了解这个句子想表达的含义。生物智能已渐进的方式处理信息，同时保存一个关于所处理内容的内部模型，此模型是根据过去额信息构建的，并随着新的信息进入不断更新。比如股票预测、气温预测等等。
【RNN练习】天气预测
Elfin_z的博客
07-12 709
数据预处理中，数据缺损严重时，可在该列中选择数进行填充数据相关性研究可帮助参数的调节。
基于RNN(循环神经网络)的北京雾霾天气指数的预测（keras实现RNN,LSTM神经网络算法)
热门推荐
haosen
07-02 1万+
随着科学技术的发展，人们渴望对天气有一定的掌握空间，从古代的夜观天象到如今的气象卫星，人类在对天气的预测上不断的进步与发展，本文将运用循环神经网络实现对天气情况的初步预测，循环神经网络是人工智能领域深度学习的一种算法，基于对时间序列事情的处理能达到特别好的效果，而天气影响因素恰恰是基于时间序列的。我们通过神经网络模型对影响天气因素的学习，比如：风速、风向、露点温度、（大气）压力等一系列外观因素可以...
天气数据集2-应用RNN做天气预测
disanda的专栏
06-06 1001
天气预测，RNN
RNN天气预测
2301_76606951的博客
11-08 1105
本文为为内部文章原作者：K同学啊与上篇一样，依然是二维数据结构。利用早停法，绘制准确率和loss图Epoch 1/10Epoch 2/10Epoch 3/10Epoch 4/10Epoch 5/10Epoch 6/10Epoch 7/10Epoch 8/10Epoch 9/10。
【深度学习——天气预测】
qq_45786199的博客
05-18 4365
深度学习，神经网络，天气预测
深度学习 Day24——J3-1DenseNet算法实战与解析
LittleRuby的博客
01-05 1111
关键字： pytorch实现DenseNet算法，nn.Sequential和nn.Module区别与选择，python中OrderedDict的使用
深度剖析：Python与TensorFlow在日平均气温预测中的应用——利用Transformer模型
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
12-14 821
Python作为一种广泛使用的编程语言，因其简洁的语法和强大的数据处理能力，在数据科学和机器学习领域占据了重要地位。TensorFlow作为Google开发的开源机器学习框架，以其高性能、灵活性和易用性被广泛应用于深度学习模型的构建和训练。Transformer模型，以其在处理序列数据中的自注意力机制，成为气温预测的理想选择。
深度学习 DAY2：Transformer
最新发布
feifeikon的博客
01-19 870
自注意力机制（Self-Attention）：这是Transformer的核心概念之一，它使模型能够同时考虑输入序列中的所有位置，而不是像循环神经网络（RNN）或卷积神经网络（CNN）一样逐步处理。多头注意力（Multi-HeadAttention）：Transformer中的自注意力机制被扩展为多个注意力头，每个头可以学习不同的注意权重，以更好地捕捉不同类型的关系。自注意力的作用：随着模型处理输入序列的每个单词，自注意力会关注整个输入序列的所有单词，帮助模型对本单词更好地进行编码。
使用循环神经网络(RNN, LSTM或GRU)实现气象数据预测
05-03
使用循环神经网络(RNN, LSTM或GRU)实现气象数据预测： 数据集： tq.csv记录了某地每隔1小时的气象数据： Date Time：时间（日期是 日月年 的格式） p (mbar)：大气压 T (degC)：气温 rh (%)：湿度 使用循环神经网络（RNN/LSTM/GRU之一）完成下列功能：输入最近n个小时的气象数据，预测之后24小时的气象数据 生成训练集和测试集： 以2014年及以前的数据为训练集 2015年及以后的数据为测试集
基于深度学习的大数据空气污染预报
06-19
为了更好地反映环境污染变化趋势,为环境管理决策提供及时、全面的环境质量信息,预防严重污染事件发生,开展城市空气质量预报研究是十分必要的。本文针对环境大数据时代下的城市空气质量预报,提出了一种基于深度学习的新方法。该方法通过模拟人类大脑的神经连接结构,将数据在原空间的特征表示转换到具有语义特征的新特征空间,自动地学习得到层次化的特征表示,从而提高预报性能。得益于这种方式,新方法与传统方法相比,不仅可以利用空气质量监测、气象监测及预报等环境大数据,充分考虑污染物的时空变化、空间分布,得到语义性的污染物变化规律,还可以基于其他空气污染预测方法的结果(如数值预报模式),自动分析其适用范围、优势劣势。因此,新方法通过模拟人脑思考过程实现更充分的大数据集成,一定程度上克服了现有方法的缺陷,应用上更加具有灵活性和可操作性。最后,通过实验证明新方法可以提高空气污染预报性能。
深度学习DAY1:神经网络NN；二元分类
m0_62865498的博客
10-08 1117
所有神经元将房屋大小size作为输入x,计算线性方程，结果取max（0，y）,输出预测房价yReLU函数（线性整流函数）–max（0，y）
基于深度学习的天气预报
weixin_42605076的博客
07-19 1813
基于深度学习的天气预报是一项利用深度学习模型对气象数据进行分析和预测的技术。其目的是通过挖掘大量气象数据中的潜在规律，提高天气预报的准确性和时效性。
深度学习 R3——天气预测
m0_62017984的博客
12-07 1398
EDA的主要目的是做出任何假设之前帮助观察数据。它可以帮助识别明显的错误，以及更好地理解数据中的模式，检测异常值或异常事件，找到变量间的关系。
R语言基于递归神经网络RNN的温度时间序列预测
拓端研究室TRL
02-02 619
在本文中，我们将介绍三种提高循环神经网络性能和泛化能力的高级技术。在最后，您将了解有关将循环网络与Keras一起使用的大部分知识。您可以访问来自建筑物屋顶上的传感器的时间数据序列，例如温度，气压和湿度，这些数据点可用于预测最后一个数据点之后24小时的温度。这是一个相当具有挑战性的问题，它说明了使用时间序列时遇到的许多常见困难。删除层/每层的单位数(模型) 如L1或L2正则化所述,过度复杂的模型更有可能过度拟合，可以使用删除来抵抗重复图层的过拟合。堆叠循环层。
时间转int_时间序列1:基于keras的rnn预测天气
weixin_39552472的博客
11-26 642
天气数据是一个典型的时间序列数据，尝试用rnn来对天气进行预测。1、数据集：采用的数据集为北京2011年1月1日到2020年3月23日的天气情况。采集工具：后裔采集器网址：http://www.tianqihoubao.com/lishi/beijing.html数据集中包含日期、天气状况、气温（最高气温、最低气温）、风力风向。下文针对“最高温度“进行分析。2、knn预测代码如下：import p...
深度学习之气温预测基于pytorch
m0_59161923的博客
06-28 1258
作用是忽略掉程序运行过程中产生的特定警告信息，从而避免在控制台或日志中看到这些警告输出。# print("数据维度：",features.shape)print("数据维度：",features.shape)跟着教程来，一步一步走，记录学习过程。其中，下面模块的作用是忽略出现的警告。运行结果：（384，14）# 设置警告过滤器。
python气温预测rnn
12-02
以下是使用RNN模型进行气温预测的Python代码示例： ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import Dense, SimpleRNN # 读取数据 data = pd.read_csv('/data/jena_climate_2009_2016.csv', engine='python') # 取出温度数据 temp = data['T (degC)'].values # 数据标准化 mean = temp[:200000].mean() std = temp[:200000].std() temp = (temp - mean) / std # 定义生成时间序列样本的函数 def generator(data, lookback, delay, min_index, max_index, shuffle=False, batch_size=128, step=6): if max_index is None: max_index = len(data) - delay - 1 i = min_index + lookback while True: if shuffle: rows = np.random.randint(min_index + lookback, max_index, size=batch_size) else: if i + batch_size >= max_index: i = min_index + lookback rows = np.arange(i, min(i + batch_size, max_index)) i += len(rows) samples = np.zeros((len(rows), lookback // step, data.shape[-1])) targets = np.zeros((len(rows),)) for j, row in enumerate(rows): indices = range(rows[j] - lookback, rows[j], step) samples[j] = data[indices] targets[j] = data[rows[j] + delay] yield samples, targets # 定义训练集、验证集和测试集的生成器 lookback = 1440 step = 6 delay = 144 batch_size = 128 train_gen = generator(temp, lookback=lookback, delay=delay, min_index=0, max_index=200000, shuffle=True, step=step, batch_size=batch_size) val_gen = generator(temp, lookback=lookback, delay=delay, min_index=200001, max_index=300000, step=step, batch_size=batch_size) test_gen = generator(temp, lookback=lookback, delay=delay, min_index=300001, max_index=None, step=step, batch_size=batch_size) val_steps = (300000 - 200001 - lookback) // batch_size test_steps = (len(temp) - 300001 - lookback) // batch_size # 定义RNN模型 model = Sequential() model.add(SimpleRNN(32, input_shape=(None, temp.shape[-1]))) model.add(Dense(1)) model.compile(optimizer='rmsprop', loss='mae') # 训练模型 history = model.fit_generator(train_gen, steps_per_epoch=500, epochs=20, validation_data=val_gen, validation_steps=val_steps) # 绘制损失曲线 loss = history.history['loss'] val_loss = history.history['val_loss'] epochs = range(1, len(loss) + 1) plt.plot(epochs, loss, 'bo', label='Training loss') plt.plot(epochs, val_loss, 'b', label='Validation loss') plt.title('Training and validation loss') plt.legend() plt.show() # 在测试集上评估模型 test_loss = model.evaluate_generator(test_gen, steps=test_steps) print('test loss:', test_loss) # 预测未来24小时的温度 lookback = 1440 step = 6 delay = 144 batch_size = 128 test_gen = generator(temp, lookback=lookback, delay=delay, min_index=300001, max_index=None, step=step, batch_size=batch_size) test_steps = (len(temp) - 300001 - lookback) // batch_size preds = model.predict_generator(test_gen, steps=test_steps) preds = preds.reshape(-1) preds = preds * std + mean ```
评论 15
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

-北天-

你的鼓励将是我创作的最大动力

¥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