时序最佳入门代码｜基于pytorch的LSTM天气预测及数据分析

用户4434621

发布于 2024-09-18 16:52:39

990

发布于 2024-09-18 16:52:39

文章被收录于专栏：科学最Top

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']))

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2024-03-04，如有侵权请联系 cloudcommunity@tencent.com 删除

模型

本文分享自科学最Top 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度