120 практических задач. Джейд Картер. Читать онлайн. Newlib. NEWLIB.NET

Автор: Джейд Картер
Издательство: Автор
Серия:
Жанр произведения:
Год издания: 2024
isbn:
Скачать книгу
Пример построения LSTM модели для прогнозирования погоды

      # Подготовка данных (вымышленный пример)

      # Загрузка и предобработка данных

      # Пример данных (вымышленный)

      # Здесь данные должны быть загружены из вашего источника данных

      # Давайте представим, что у нас есть временной ряд температур

      data = pd.DataFrame({'date': pd.date_range('2022-01-01', periods=365),

      'temperature': np.random.randn(365) * 10 + 20})

      # Масштабирование данных

      scaler = MinMaxScaler(feature_range=(0, 1))

      scaled_data = scaler.fit_transform(data['temperature'].values.reshape(-1, 1))

      # Формирование датасета для LSTM

      def create_dataset(data, look_back=1):

      X, Y = [], []

      for i in range(len(data) – look_back – 1):

      X.append(data[i:(i + look_back), 0])

      Y.append(data[i + look_back, 0])

      return np.array(X), np.array(Y)

      # Разделение данных на обучающую и тестовую выборки

      train_size = int(len(scaled_data) * 0.8)

      test_size = len(scaled_data) – train_size

      train, test = scaled_data[0:train_size], scaled_data[train_size:len(scaled_data)]

      # Создание dataset с look_back временными шагами

      look_back = 10 # количество предыдущих временных шагов для использования в качестве признаков

      X_train, Y_train = create_dataset(train, look_back)

      X_test, Y_test = create_dataset(test, look_back)

      # Изменение формы данных для LSTM [samples, time steps, features]

      X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))

      X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

      # Построение LSTM модели

      model = Sequential()

      model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))

      model.add(Dropout(0.2))

      model.add(LSTM(units=50))

      model.add(Dropout(0.2))

      model.add(Dense(units=1))

      # Компиляция модели

      model.compile(optimizer='adam', loss='mean_squared_error')

      # Обучение модели

      model.fit(X_train, Y_train, epochs=50, batch_size=32)

      # Прогнозирование на тестовых данных

      predicted_temperature = model.predict(X_test)

      # Обратное масштабирование предсказанных значений

      predicted_temperature = scaler.inverse_transform(predicted_temperature)

      # Визуализация результатов

      plt.figure(figsize=(10, 6))

      plt.plot(data['date'][train_size + look_back + 1:], test, label='Истинные значения')

      plt.plot(data['date'][train_size + look_back + 1:], predicted_temperature, label='Прогноз')

      plt.title('Прогноз температуры с использованием LSTM')

      plt.xlabel('Дата')

      plt.ylabel('Температура')

      plt.legend()

      plt.show()

      ```

      Пояснение архитектуры и процесса:

      1. Подготовка данных: В примере мы создаем вымышленные данные о температуре. Данные масштабируются с использованием `MinMaxScaler` для нормализации в диапазоне [0, 1]. Затем данные разделяются на обучающую и тестовую выборки.

      2. Формирование датасета для LSTM: Функция `create_dataset` создает датасет, разделенный на признаки (`X`) и целевую переменную (`Y`) с заданным количеством временных шагов (`look_back`).

      3. Построение LSTM модели: Модель состоит из двух слоев LSTM с уровнем отсева `Dropout` для предотвращения переобучения. Выходной слой является полносвязным слоем `Dense`, который предсказывает следующее значение температуры.

      4. Компиляция и обучение модели: Модель компилируется с оптимизатором Adam и функцией потерь `mean_squared_error` для минимизации ошибки прогнозирования.

      5. Прогнозирование и визуализация: Модель обучается на данных обучения, затем прогнозирует температуру на тестовом наборе данных. Предсказанные значения обратно масштабируются и визуализируются с истинными значениями.

      Преимущества использования LSTM для прогнозирования погоды

      – Учет временных зависимостей: LSTM способны учитывать долгосрочные зависимости в данных о погоде.

      – Обработка последовательных