[人工智能学习日志]深度学习-LSTM共享单车使用量预测

LSTM共享单车使用量预测

1、加载数据集、数据可视化、预处理
- - 引入包
- - 加载数据集
- - 数据集描述方式
- - 数据集可视化处理
5、模型搭建、编译、训练
- - 模型搭建
- - 模型编译
- - 保持模型权重文件
- - 模型训练
- - 曲线显示训练结果
6、模型验证

来自哔哩哔哩课程LSTM共享单车使用量预测
，属于多变量预测案例

1、加载数据集、数据可视化、预处理

- 引入包

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import os
import datetimefrom sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import r2_scoreimport tensorflow as tf
from tensorflow.keras import Sequential, layers, utils, losses
from tensorflow.keras.callbacks import ModelCheckpoint, TensorBoardimport warnings
warnings.filterwarnings('ignore')

- 加载数据集

# 加载数据集
dataset = pd.read_csv("BikeShares.csv", parse_dates=['timestamp'], index_col=['timestamp'])

- 数据集描述方式

dataset.shape #数据集大小
dataset.head() #默认显示前5行
dataset.tail() #默认显示后5行
dataset.info() #数据集信息：总结的信息
dataset.describe() #数据集描述：描述最大值最小值等信息

- 数据集可视化处理

通过可视化处理能直观地展现不同变量之间的关系

# 字段t1(气温)与字段cnt(单车使用量)之间的关系
plt.figure(figsize=(16,8))
sns.pointplot(x='t1', y='cnt', data=dataset) #使用'pointplot()'是'点-线'图
plt.show()# 字段t2(体感温度)与字段cnt(单车使用量)之间的关系
plt.figure(figsize=(16,8))
sns.lineplot(x='t2', y='cnt', data=dataset) #使用'lineplot()'
plt.show()

图1 pointplot图

图2 lineplot图

#### - 数据归一化处理把数据较大的列数据进行归一化处理 ```python # 分别对字段t1, t2, hum, wind_speed进行归一化 columns = ['cnt', 't1', 't2', 'hum', 'wind_speed'] for col in columns: scaler = MinMaxScaler() dataset[col] = scaler.fit_transform(dataset[col].values.reshape(-1,1)) ``` #### - 构建特征集

# 特征数据集
X = dataset.drop(columns=['cnt'], axis=1)
# 标签数据集
y = dataset['cnt']# 1 数据集分离： X_train, X_test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False, random_state=666)
# 使用'train_test_split'函数进行数据集切分，切分比例为80%训练集，'shuffle=False'表示切分后不打乱顺序，'random_state'规定了数据的顺序# 2 构造特征数据集
def create_dataset(X, y, seq_len=10):features = []targets = []for i in range(0, len(X) - seq_len, 1):data = X.iloc[i:i+seq_len] # 序列数据  利用'iloc'函数,取行label = y.iloc[i+seq_len] # 标签数据# 保存到features和labelsfeatures.append(data)targets.append(label)# 返回return np.array(features), np.array(targets)
# ① 构造训练特征数据集
train_dataset, train_labels = create_dataset(X_train, y_train, seq_len=10)
# ② 构造测试特征数据集
test_dataset, test_labels = create_dataset(X_test, y_test, seq_len=10)
# 3 构造批数据
def create_batch_dataset(X, y, train=True, buffer_size=1000, batch_size=128):batch_data = tf.data.Dataset.from_tensor_slices((tf.constant(X), tf.constant(y))) # 数据封装，tensor类型if train: # 训练集return batch_data.cache().shuffle(buffer_size).batch(batch_size)else: # 测试集return batch_data.batch(batch_size)
# 训练批数据
train_batch_dataset = create_batch_dataset(train_dataset, train_labels)
# 测试批数据
test_batch_dataset = create_batch_dataset(test_dataset, test_labels, train=False)

5、模型搭建、编译、训练

- 模型搭建

# 模型搭建--版本1
model = Sequential([layers.LSTM(units=256, input_shape=train_dataset.shape[-2:], return_sequences=True),# 这里input_shape可以直接写(10,8)layers.Dropout(0.4), #舍去一部分神经元，保留一部分，符合LSTM定义layers.LSTM(units=256, return_sequences=True),layers.Dropout(0.3),layers.LSTM(units=128, return_sequences=True),layers.LSTM(units=32),layers.Dense(1)
])

- 模型编译

# 模型编译
model.compile(optimizer='adam',loss='mse')

- 保持模型权重文件

checkpoint_file = "best_model.hdf5" #实际报错了，可以改为.ckpt
checkpoint_callback = ModelCheckpoint(filepath=checkpoint_file, monitor='loss',mode='min',save_best_only=True,save_weights_only=True)

- 模型训练

# 模型训练
history = model.fit(train_batch_dataset,epochs=30,validation_data=test_batch_dataset,callbacks=[tensorboard_callback, checkpoint_callback])

- 曲线显示训练结果

# 显示训练结果
plt.figure(figsize=(16,8))
plt.plot(history.history['loss'], label='train loss')
plt.plot(history.history['val_loss'], label='val loss')
plt.legend(loc='best')
plt.show()

6、模型验证

test_preds = model.predict(test_dataset, verbose=1)
test_preds = test_preds[:, 0] # 获取列值
# 计算r2值
score = r2_score(test_labels, test_preds)
print("r^2 值为： ", score)
# 绘制 预测与真值结果
plt.figure(figsize=(16,8))
plt.plot(test_labels[:300], label="True value") #取前300个绘制曲线图
plt.plot(test_preds[:300], label="Pred value")
plt.legend(loc='best')
plt.show()

LSTM多特征值与LSTM单特征值相比，基本相同，区别在于送入的特征数据集特征数增多了

[人工智能学习日志]深度学习-LSTM共享单车使用量预测相关推荐

[人工智能学习日志]深度学习-股票价格预测案例1
来自股票价格预测bilibili课程. 源自jupyter notebook文件main.ipynb. 代码用tf1书写,使用tf2会因为版本不对应而报错,tf2版本的代码后续再研究. 股票价格预测 ...
1、数据分析--共享单车使用量预测
数据字段分析列名 desc 中文描述 datetime hourly date + timestamp 小时日期和时间戳 season 1 = spring, 2 = summer, 3 = fa ...
python3人工智能网盘_《Python3入门人工智能掌握机器学习+深度学习提升实战能力》百度云网盘资源分享下载[MP4/5.77GB]...
内容简介本资源为<Python3入门人工智能掌握机器学习+深度学习提升实战能力>百度云网盘资源分享下载,具体看下文目录,格式为MP4/5.77GB.本资源已做压缩包处理,请勿直接在百度网 ...
【人工智能项目】- 深度学习实现猫狗大战
[人工智能项目]- 深度学习实现猫狗大战本次实现猫狗大战,实质上就是猫狗的二分类任务. 环境 !nvidia-smi Mon Jun 22 04:24:29 2020 +-------------- ...
人工智能趋势与深度学习算法
人工智能趋势与深度学习算法 1 前沿技术 1.1 Transformer模型: 1.2 BERT模型:基于Transformer Encoder构建的预测模型 1.3 自监督学习(Self-super ...
人工智能，机器学习,深度学习入门好文，强烈推荐
让我们从机器学习谈起导读:在本篇文章中,将对机器学习做个概要的介绍.本文的目的是能让即便完全不了解机器学习的人也能了解机器学习,并且上手相关的实践.当然,本文也面对一般读者,不会对阅读有相关的前提要 ...
【人工智能项目】深度学习实现白葡萄酒品质预测
[人工智能项目]深度学习实现白葡萄酒品质预测任务介绍评价一款葡萄酒时不外乎从颜色.酸度.甜度.香气.风味等入手,而决定这些就是葡萄酒的挥发酸度.糖分.密度等. 根据给出的白葡萄酒酸度.糖分.PH值 ...
【人工智能项目】深度学习实现汉字书法识别
[人工智能项目]深度学习实现汉字书法识别背景介绍竞赛数据提供100个汉字书法单字,包括碑帖,手写书法,古汉字等.图片全部为单通道宽度jpg,宽高不定. 数据集介绍训练集:每个汉字400张图片,共 ...
【人工智能项目】深度学习实现10类猴子细粒度识别
[人工智能项目]深度学习实现10类猴子细粒度识别任务说明本次比赛需要选手准确识别10种猴子,数据集只有图片,没有boundbox等标注数据. 环境说明 !nvidia-smi Fri Mar 27 ...