给定一个特定的时间假设要预测未来6小时的温度。

为了做出此预测选择使用5天的观察时间。

因此创建一个包含最后7205x144个观测值的窗口以训练模型。

history_size

下面使用数据的前300,000行当做训练数据集其余的作为验证数据集。

总计约2100天的训练数据。

def

1)data.append(np.reshape(dataset[indices],

(history_size,

1)))labels.append(dataset[itarget_size])return

np.array(data),

(uni_data-uni_train_mean)/uni_train_std

#写函数来划分特征和标签

起止区间univariate_past_history,univariate_future_target)

x_val_uni,

None,univariate_past_history,univariate_future_target)可见第一个样本的特征为前20个时间点的温度其标签为第21个时间点的温度。

根据同样的规律第二个样本的特征为第2个时间点的温度值到第21个时间点的温度值其标签为第22个时间点的温度……

2.2

tf.data.Dataset.from_tensor_slices((x_train_uni,

y_train_uni))

train_univariate.cache().shuffle(BUFFER_SIZE).batch(BATCH_SIZE).repeat()val_univariate

tf.data.Dataset.from_tensor_slices((x_val_uni,

y_val_uni))

val_univariate.batch(BATCH_SIZE).repeat()2.3

simple_lstm_model

input_shapex_train_uni.shape[-2:]),

input_shape(20,1)

simple_lstm_model.compile(optimizeradam,

lossmae)2.4

simple_lstm_model.fit(train_univariate,

epochsEPOCHS,steps_per_epochEVALUATION_INTERVAL,validation_dataval_univariate,

训练结果

在这里我们用过去的一些压强信息、温度信息以及密度信息来预测未来的一个时间点的温度。

也就是说数据集中应该包括压强信息、温度信息以及密度信息。

2.5.1

dataset[:TRAIN_SPLIT].mean(axis0)

data_std

dataset[:TRAIN_SPLIT].std(axis0)

dataset

(dataset-data_mean)/data_stddef

target,

step表示滑动步长data.append(dataset[indices])if

single_step:labels.append(target[itarget_size])else:labels.append(target[i:itarget_size])return

np.array(data),

tf.keras.models.Sequential()single_step_model.add(tf.keras.layers.LSTM(32,input_shapex_train_single.shape[-2:]))single_step_model.add(tf.keras.layers.Dense(1))single_step_model.compile(optimizertf.keras.optimizers.RMSprop(),

single_step_model.fit(train_data_single,

epochsEPOCHS,steps_per_epochEVALUATION_INTERVAL,validation_dataval_data_single,validation_steps50)def

title):loss

history.history[val_loss]epochs

range(len(loss))plt.figure()plt.plot(epochs,

loss,

loss)plt.title(title)plt.legend()plt.show()plot_train_history(single_step_history,Single

Step

https://gitee.com/dancheng-senior/postgraduate