python 预测下一年数据 程序_在Python中使用LSTM和PyTorch进行时间序列预测

顾名思义，时间序列数据是一种随时间变化的数据类型。例如，24小时内的温度，一个月内各种产品的价格，一年中特定公司的股票价格。诸如长期短期记忆网络(LSTM)之类的高级深度学习模型能够捕获时间序列数据中的模式，因此可用于对数据的未来趋势进行预测。在本文中，您将看到如何使用LSTM算法使用时间序列数据进行将来的预测。

数据集和问题定义

让我们先导入所需的库，然后再导入数据集：

importtorchimporttorch.nnasnnimportseabornassnsimportnumpyasnpimportpandasaspdimportmatplotlib.pyplotasplt %matplotlib inline

让我们打印 所有数据集的列表：

sns.get_dataset_names()

输出：

['anscombe', 'attention', 'brain_networks', 'car_crashes', 'diamonds', 'dots', 'exercise', 'flights', 'fmri', 'gammas', 'iris', 'mpg', 'planets', 'tips', 'titanic']

让我们将数据集加载到我们的应用程序中

flight_data = sns.load_dataset("flights") flight_data.head()

输出：

该数据集有三列：year，month，和passengers。该passengers列包含指定月份旅行旅客的总数。让我们绘制数据集的形状：

flight_data.shape

输出：

(144, 3)

您可以看到数据集中有144行和3列，这意味着数据集包含12年的乘客旅行记录。

任务是根据前132个月来预测最近12个月内旅行的乘客人数。请记住，我们有144个月的记录，这意味着前132个月的数据将用于训练我们的LSTM模型，而模型性能将使用最近12个月的值进行评估。

让我们绘制每月乘客的出行频率。

接下来的脚本绘制了每月乘客人数的频率：

输出：

输出显示，多年来，乘飞机旅行的平均乘客人数有所增加。一年内旅行的乘客数量波动，这是有道理的，因为在暑假或寒假期间，旅行的乘客数量与一年中的其他部分相比有所增加。

数据预处理

数据集中的列类型为object，如以下代码所示：

输出：

Index(['year','month','passengers'], dtype='object')

<