时序最佳入门代码｜基于pytorch的LSTM天气预测及数据分析

前言

在本篇文章，我们基于pytorch框架，构造了LSTM模型进行天气预测，并对数据进行了可视化分析，非常值得入门学习。该数据集提供了2013年1月1日至2017年4月24日在印度德里市的数据。其中包含的4个参数是平均温度（meantemp）、湿度（humidity）、风速（wind_speed）和平均气压（meanpressure），以下是特征的描述：

数据集和完整可用的代码可以在后台回复"代码04"获取。

数据可视化

我们自定义的可视化函数，用于绘制每个特征的分布，首先绘制箱线图：

def box_plot(self):
        graph_lsts = []
        for i, element in enumerate(self.data.transpose()):
            graph_lst = go.Box(y = element,
                               name = self.box_title,
                               boxpoints = 'outliers',
                               line = dict(width=1))    
            graph_lsts.append(graph_lst)
        fig = self.make_subplot(graph_lsts)
        fig.update_layout(title=self.box_title,
                          xaxis_title='Columns',
                          yaxis_title='Values',
                          template = 'simple_white')
        fig.show()

我们继续绘制折线图

#################### 2. Line Plot ######################    def line_plot(self):        line_lsts = []        for i, element in enumerate(self.data.transpose()):            line = go.Scatter(x = self.date,                               y = element,                               mode = 'lines',                               name = self.line_title)            line_lsts.append(line)        fig = self.make_subplot(line_lsts)        fig.update_layout(title=self.line_title,                          xaxis_title='Columns',                          yaxis_title='Values',                          template = 'simple_white')        fig.show()

从可视化的折线图我们可以观察到，训练集中存在异常值，比如在'风速'和'平均气压'数据列中，一些数据点明显是离群的。

模型构建

受限于篇幅，我们这里只给出LSTM模型的代码，完整代码和数据可在公众号后台获取。模型结构非常简单，是一个两层的LSTM, 隐藏层大小为128。

class LSTMModel(nn.Module):    def __init__(self):        super().__init__()        self.lstm = nn.LSTM(input_size = 6,                             num_layers = 2,                            hidden_size = 128,                              batch_first = True,                             bidirectional= True)                self.dropout = nn.Dropout(0.2)        self.linear1 = nn.Linear(128*2, 64)         self.linear2 = nn.Linear(64, 8)         self.output_linear = nn.Linear(8, 1)            def forward(self, x):          x, _ = self.lstm(x)        x = self.dropout(x)        x = self.linear1(x)        x = self.linear2(x)        x = self.output_linear(x)        return x

定义好模型后，我们可以进行模型的训练和评估，以下是训练好后，绘制的预测值和原始值可视化展示。

我们模型的 RMSE值: 2.75

np.sqrt(mean_squared_error(eval_df.iloc[7:]['real_meantemp'], eval_df.iloc[7:]['pred_meantemp']))

  欢迎大家关注我的公众号【科学最top】，专注于时序高水平论文解读，回复‘论文2024’可获取，2024年ICLR、ICML、KDD、WWW、IJCAI五个顶会的时间序列论文整理列表和原文。