时序最佳入门代码｜基于pytorch的LSTM天气预测及数据分析
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']))欢迎大家关注我的公众号【科学最top】，专注于时序高水平论文解读，回复‘论文2024’可获取，2024年ICLR、ICML、KDD、WWW、IJCAI五个顶会的时间序列论文整理列表和原文。
