R2-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
 原作者：K同学啊|接辅导、项目定制

我的环境：

1.语言：python3.7

2.编译器：pycharm

3.深度学习环境：TensorFlow2.5.0

---

LSTM介绍：

LSTM（Long Short-Term Memory）是一种循环神经网络（RNN）的变种，专门用于解决长期依赖问题。它在处理序列数据时具有优异的性能。LSTM通过引入门控机制来控制信息的流动，从而有效地捕捉和处理长期依赖关系。它包含了一个称为“cell”的状态单元，以及三个门控单元：输入门、遗忘门和输出门。

在每个时间步骤中，LSTM接收一个输入和前一个时间步骤的隐藏状态，并计算新的隐藏状态和输出。以下是LSTM的工作方式：

1. 输入门（Input Gate）：决定哪些信息将会被更新并添加到cell中。它根据当前输入和前一个隐藏状态计算一个0到1之间的值，表示对应位置的信息的重要性。
2. 遗忘门（Forget Gate）：决定哪些旧的记忆应该被遗忘。它通过计算一个0到1之间的值，控制前一个cell状态中哪些信息需要保留下来。
3. 更新cell状态：通过将输入门的输出与前一个cell状态相乘，再加上输入门的输出与当前输入的乘积，得到新的cell状态。
4. 输出门（Output Gate）：决定哪些cell状态的信息将被输出到下一个时间步骤的隐藏状态中。它通过计算一个0到1之间的值，控制cell状态的输出。

LSTM网络的这种结构可以有效地处理长期依赖关系，因为它可以选择性地保留和遗忘信息，并且在计算新的隐藏状态时具有良好的梯度流动特性。

一.前期工作

1、设置gpu、导入数据

import tensorflow as tf
import pandas as pd
import  numpy as np
import  matplotlib.pyplot as plt
import  seaborn as sns

gpus = tf.config.list_physical_devices("GPU")
df_1 = pd.read_csv('E:/TF环境/woodpine2.csv')

2、数据可视化

plt.rcParams['savefig.dpi'] = 500 #图像像素
plt.rcParams['figure.dpi'] = 500 #分辨率

fig, ax = plt.subplots(1,3,constrained_layout = True,figsize = (10,4))

sns.lineplot(data = df_1['Tem1'],ax = ax[0])
sns.lineplot(data = df_1['CO 1'],ax = ax[1])
sns.lineplot(data = df_1['Soot 1'],ax = ax[2])
plt.show()

  plt.subplots(1,3)函数创建了一个包含1行3列的子图网格，即总共有3个子图。constrained_layout参数设置为True时，会自动调整子图之间的间距，使它们更加紧密地排列，以便不会重叠。figsize参数设置图形窗口的大小为10英寸（宽）× 4英寸（高），单位是英寸。

  使用sns.lineplot()函数绘制线图。第一个子图显示了df_1中'Tem1'列的数据，第二个子图显示了df_1中'CO 1'列的数据，第三个子图显示了df_1中'Soot 1'列的数据

二、构建数据集

dataFrame = df_1.iloc[:,1:]
print(dataFrame)

1、设置X、y

width_X = 8
width_y = 1

X = []
y = []

in_start = 0

for _, _ in df_1.iterrows(): #迭代df_1中的每一行数据
    in_end = in_start + width_X #提取8行特征
    out_end = in_end + width_y  #第1行作为预测

    if out_end < len(dataFrame):
        X_ = np.array(dataFrame.iloc[in_start:in_end, ])
        X_ = X_.reshape((len(X_)*3))
        y_ = np.array(dataFrame.iloc[in_end :out_end,0])

        X.append(X_)
        y.append(y_)

    in_start += 1

X = np.array(X)
y = np.array(y)

print(X.shape)
print(y.shape)

取前八个时间段的Tem1、CO 1、Soot 1为X，第九个时间段的Tem 1 为y

2、归一化

from sklearn.preprocessing import  MinMaxScaler

sc = MinMaxScaler(feature_range = (0,1))
X_scaled = sc.fit_transform(X)


X_scaled = X_scaled.reshape(len(X_scaled),width_X,3)

1. from sklearn.preprocessing import MinMaxScaler: 导入 MinMaxScaler 类，用于对数据进行最小-最大规范化的处理。

2. sc = MinMaxScaler(feature_range=(0,1)): 创建一个 MinMaxScaler 类的实例 sc，并指定特征范围为 (0, 1)，即将数据缩放到0到1的范围内。

3. X_scaled = sc.fit_transform(X): 使用 fit_transform 方法对输入特征 X 进行归一化处理。fit_transform 方法会首先计算数据的最小值和最大值，然后进行缩放处理，使得数据位于指定的特征范围内。

4. X_scaled = X_scaled.reshape(len(X_scaled), width_X, 3): 将归一化后的数据重新调整为原始形状。在这里，X_scaled 是一个三维数组，其中第一个维度表示样本数量，第二个维度表示每个样本的宽度，第三个维度表示每个特征的数量。由于之前对数据进行了扁平化处理，所以现在需要将其重新调整为原始形状。width_X 是之前定义的输入特征的宽度，这里将其设置为第二个维度的大小，而3 是由于之前将每个输入特征扩展了三倍，所以这里也需要对应调整为 3。

 

3、划分数据集

X_train = np.array(X_scaled[:5000]).astype('float64')
y_train = np.array(y[:5000]).astype('float64')
X_test = np.array(X_scaled[5000:]).astype('float64')
y_test = np.array(y[5000:]).astype('float64')

以X_train为例子，将X_scaled中的前5000个元素切片并转换为NumPy数组。然后使用astype('float64')将数组中的数据类型转换为浮点型（float64）。

三、构建模型

from tensorflow.keras.models import Sequential
from  tensorflow.keras.layers import Dense,LSTM


model_lstm = Sequential()
model_lstm.add(LSTM(units = 64, activation='relu',return_sequences=True,
                    input_shape = (X_train.shape[1],3)))
model_lstm.add(LSTM(units = 64,activation='relu'))

model_lstm.add(Dense(width_y))

units = 64：表示LSTM层中的神经元数量为64

activation='relu'：表示LSTM层中的激活函数为ReLu

return_sequences=True：表示LSTM层返回完整的输出序列，而不仅仅是最后一个时间步的输出

input_shape：参数应该被设置为一个元组，其中第一个元素表示时间步数，第二个元素表示特征数

Dense(width_y)中的width_y是一个变量，它表示输出层的神经元数量。

四、模型训练

1、编译

model_lstm.compile(optimizer = tf.keras.optimizers.Adam(1e-3),
                   loss = 'mean_squared_error')

2、训练

history_lstm = model_lstm.fit(X_train,y_train,
                              batch_size = 64,
                              epochs = 40,
                              validation_data = (X_test,y_test),
                              validation_freq = 1)

五、评估

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

plt.figure(figsize = (5,3),dpi = 120)

plt.plot(history_lstm.history['loss'], label = 'LSTM Training Loss')
plt.plot(history_lstm.history['val_loss'], label = 'LSTM Validation Loss')

plt.title('Training and Validation Loss')
plt.legend()
plt.show()

ptedicted_y_lstm = model_lstm.predict(X_test)

y_test_one = [i[0] for i in y_test]
ptedicted_y_lstm_one = [i[0] for i in ptedicted_y_lstm]

plt.figure(figsize = (5,3),dpi = 120)

plt.plot(y_test_one[:1000],color = 'red',label = '真实值')
plt.plot(ptedicted_y_lstm_one[:1000],color = 'blue',label = '预测值')

plt.title('Title')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

在本次学习中我被Cannot convert a symbolic Tensor (lstm/strided_slice:0) to a numpy array. This error may indicate that you're trying to pass a Tensor to a NumPy call, which is not supported这样的报错所困扰。原因是我的tensorflow版本所对应的nump以及numpy-base版本没有对应起来导致报错。重装版本即可正常运行。