时间序列预测

单变量时间序列预测

import tensorflow as tf

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import os
import pandas as pd

mpl.rcParams['figure.figsize'] = (8, 6)
mpl.rcParams['axes.grid'] = False

注：
1、mpl.rcParams[’’] 统一设置画布大小和不显示网格线。

加载数据集

zip_path = tf.keras.utils.get_file(
    origin='https://storage.googleapis.com/tensorflow/tf-keras-datasets/jena_climate_2009_2016.csv.zip',
    fname='jena_climate_2009_2016.csv.zip',
    extract=True)
csv_path, _ = os.path.splitext(zip_path)

df = pd.read_csv(csv_path)

df.head()
###
#	Date Time	p (mbar)	T (degC)	Tpot (K)	Tdew (degC)	rh (%)	VPmax (mbar)	VPact (mbar)	VPdef (mbar)	sh (g/kg)	H2OC (mmol/mol)	rho (g/m**3)	wv (m/s)	max. wv (m/s)	wd (deg)
#0	 00:10:00	996.52		-8.02		265.40		-8.90		93.3	3.33			3.11			0.22			1.94			3.12		1307.75			1.03		1.75			152.3
#1	 00:20:00	996.57		-8.41		265.01		-9.28		93.4	3.23			3.02			0.21			1.89			3.03		1309.80			0.72		1.50			136.1
#2	 00:30:00	996.53		-8.51		264.91		-9.31		93.9	3.21			3.01			0.20			1.88			3.02		1310.24			0.19		0.63			171.6
#3	 00:40:00	996.51		-8.31		265.12		-9.07		94.2	3.26			3.07			0.19			1.92			3.08		1309.19			0.34		0.50			198.0
#4	 00:50:00	996.51		-8.27		265.15		-9.04		94.1	3.27			3.08			0.19			1.92			3.09		1309.00			0.32		0.63			214.3
###

注：
1、本教程使用[由马克斯·普朗克生物地球化学研究所记录的天气时间序列数据集。
该数据集包含14个不同的特征，例如气温，大气压力和湿度。从2003年开始，每10分钟收集一次。为了提高效率，您将仅使用2009年至2016年之间收集的数据。数据集的这一部分由FrançoisChollet为他的《Python深度学习》一书准备。
2、os.path.splitext（） 用于分离文件名和扩展名，返回（‘filename’, ‘.zip’）。

如上所示，每10分钟记录一次观察。这意味着在一个小时内，您将有6个观测值。同样，一天将包含144（6x24）次观察。

给定一个特定的时间，假设您要预测未来6小时的温度。为了做出此预测，您选择使用5天的观察时间。因此，您将创建一个包含最后720（5x144）个观测值的窗口以训练模型。许多这样的配置都是可能的，这使该数据集成为一个很好的实验对象。

下面的函数返回上述时间窗以供模型训练。该参数history_size是过去信息窗口的大小。这target_size是模型需要学习预测的未来时间。该target_size是需要被预测的标签。

def univariate_data(dataset, start_index, end_index, history_size, target_size):
  data = []