STM模型一直是一个很经典的模型这个模型当然也很复杂一般需要先学习RNN、GRU模型之后再学GRU、LSTM的模型讲解将在这两天发布更新其中

深度学习基础–一文搞懂RNN

这一篇是基于LSTM模型火灾预测研究讲述了如何构建时间数据、模型如何构建、pytorch中LSTM的API、动态调整学习率等最后用RMSE、R2做评估欢迎收藏

关注本人将会持续更新

1、导入数据与数据展示1、导入库2、导入数据3、数据可视化4、相关性分析(热力图展示)5、特征提取

2、时间数据构建1、数据标准化2、构建时间数据集3、划分数据集和加载数据集1、数据划分

3、模型构建4、模型训练1、训练集函数2、测试集函数3、模型训练

1、导入数据与数据展示

pd.read_csv(./woodpine2.csv)data_df.head()TimeTem1CO

1Soot

100.00025.00.00.010.22825.00.00.020.45625.00.00.030.68525.00.00.040.91325.00.00.0

Time:

自动调整子图sns.lineplot(datadata_df[Tem1],

axax[0])

sns.heatmap(datadata_df[columns].corr(),

annotTrue,

1count5948.0000005948.0000005948.0000005948.000000mean226.133238152.5349190.0000350.000222std96.60144577.0260190.0000220.000144min0.00000025.0000000.0000000.00000025%151.00000089.0000000.0000150.00009350%241.000000145.0000000.0000340.00022075%310.000000220.0000000.0000540.000348max367.000000307.0000000.0000800.000512

当我看到相关性为1的时候我也惊呆了后面查看了统计量还是没发现出来但是看上面的可视化图展示我信了随着温度升高CO化碳、Soot浓度一起升高这个也符合火灾的场景数据没啥问题。

5、特征提取

1025.00.00.0125.00.00.0225.00.00.0

data.tail(3)Tem1CO

15945292.00.0000770.0004915946291.00.0000760.0004895947290.00.0000760.000487

特征间数据差距较大故需要做标准化

sc.fit_transform(data[col].values.reshape(-1,

1))#

1)为一个时间段第9个时间段的Tem1为y(温度)火灾预测本质也是预测温度

特征数3

np.array(data.iloc[start_position

in_end,

0])X.append(X_)y.append(y_)start_position

转化为数组

dtypetorch.float32)X_train.shape,

y_train.shape

中的一个类用于将两个或多个张量组合成一个数据集。

每个样本由一个输入张量和一个目标张量组成(构建的数据集中每一个输入对应一个输出)

from

DataLoader(TensorDataset(X_train,

y_train),batch_sizebatch_size,shuffleTrue)test_dl

DataLoader(TensorDataset(X_test,

y_test),batch_sizebatch_size,shuffleFalse)3、模型构建

nn.LSTM

会将隐藏状态投影到一个不同维度的空间。

这减少了模型参数的数量并且可以加速训练。

默认值为

input

hidden_size)。

如果没有提供那么所有状态都会被初始化为零。

LSTM

只按照时间序列的顺序从前向后处理数据即从第一个时间步到最后一个时间步。

双向

LSTM

层一个按正常的时间顺序从前向后处理数据另一个则反过来从后向前处理数据。

这样做可以让模型同时捕捉到过去和未来的信息对于某些任务如自然语言处理中的语义理解特别有用。

输出(两个)

c_n)分别代表所有时间步后的最终隐藏状态和细胞状态。

它们的形状均为

(num_layers

模型采用两个lstm层3-320:lstm-320:lstm(进一步提取时间特征)-1:linear

class

__init__(self):super().__init__()self.lstm1

nn.LSTM(input_size3,

在pytorch中如果一个维度是1可能会自动压缩所以这里需要再次形状重塑model

LSTM(3,

len(train_dl.dataset)num_batchs

0for

y)optimizer.zero_grad()loss.backward()optimizer.step()train_loss

loss.item()if

None:lr_scheduler.step()print(learning

rate

{:.5f}.format(optimizer.param_groups[0][lr]),

end

torch.optim.SGD(model.parameters(),

lrlr,

torch.optim.lr_scheduler.CosineAnnealingLR(opt,

epochs,

range(epochs):model.train()epoch_train_loss

train(train_dl,

lr_scheduler)model.eval()epoch_test_loss

test(test_dl,

loss_fn)train_loss.append(epoch_train_loss)test_loss.append(epoch_test_loss)template

(Epoch:{:2d},

sc.inverse_transform(model(X_test).detach().numpy().reshape(-1,1))

测试集输入模型进行预测

sc.inverse_transform(y_test.reshape(-1,1))

y_test_one

plt.plot(predicted_y_lstm_one[:2000],

colorblue,

metrics.mean_squared_error(predicted_y_lstm_one,

y_test_1)**0.5

metrics.r2_score(predicted_y_lstm_one,

y_test_1)