我的公众号为：livandata
近期由于工作用到LSTM模型，借这个机会整理一下思路，在网上找了很多资料，受益匪浅。
本文参考：https://blog.csdn.net/u012735708/article/details/82769711
天气预测的目的是根据现有的数据推测出下一个小时的天气污染情况，数据集包括日期、PM2.5浓度、露点、温度、风向、风速、累积小时雪量和累积小时雨量。原始数据中完整的特征如下：
1.No 行数
2.year 年
3.month 月
4.day 日
5.hour 小时
6.pm2.5 PM2.5浓度
7.DEWP 露点
8.TEMP 温度
9.PRES 大气压
10.cbwd 风向
11.lws 风速
12.ls 累积雪量
13.lr 累积雨量
使用的代码分为三类：
1、数据预处理阶段：
主要的操作有如下几个：
1）处理时间值：将四个字段整合成一个；
2）去除NA值：将含有NA的记录清除掉，小量的数据替换成0；
3）列名重命名：增加数据的可读性；
#!/usr/bin/env python
# _*_ UTF-8 _*_
from pandas import read_csv
from datetime import datetime
# load data
def parse(x):
return datetime.strptime(x, '%Y %m %d %H')
dataset = read_csv('/Users/******/offices/page_digging/data/raw.csv',
parse_dates = [['year', 'month', 'day', 'hour']],
index_col=0,
date_parser=parse)
dataset.drop('No', axis=1, inplace=True)
# manually specify column names
print(dataset.head(5))
# ['PM2.5浓度' , '露点', '温度', '大气压', '风向', '风速', '累积雪量','累积雨量']
dataset.columns = ['pollution', 'dew', 'temp', 'press', 'wnd_dir', 'wnd_spd', 'snow', 'rain']
dataset.index.name = 'date'
# mark all NA values with 0
dataset['pollution'].fillna(0, inplace=True)
# drop the first 24 hours
dataset = dataset[24:]
# summarize first 5 rows
print(dataset.head(5))
# save to file
dataset.to_csv('pollution.csv')运行结果为：
2、参数图形化观察，分析各个参数对天气的影响：
#!/usr/bin/env python
# _*_ UTF-8 _*_
from pandas import read_csv
from matplotlib import pyplot
# load dataset
dataset = read_csv('/Users/l*****/offices/page_digging/air_check/pollution.csv',
header=0,
index_col=0)
print(dataset.head(5))
values = dataset.values
print(values)
groups = [0, 1, 2, 3, 5, 6, 7]
i = 1
# plot each column
pyplot.figure()
for group in groups:
pyplot.subplot(len(groups), 1, i)
pyplot.plot(values[:, group])
pyplot.title(dataset.columns[group], y=0.5, loc='right')
i += 1
pyplot.show()运行结果为：
3、数据建模过程：这一过程涵盖了数据的预处理和模型构建两部分，
预处理部分：
1）对不连续的数字或文本编号；
2）将数值转换成float型，便于计算；
3）数据归一化；
4）数据变化，产生Y值，形成完整的数据集（X， Y）；
5）series_to_supervised()：给定输入、输出序列的长度，它可以自动地将时间序列数据转型为适用于监督学习的数据
即在上一个小时的参数条件下，下一刻的污染程度。
刚才通过上移将数据，将下一刻的污染程度与本时刻关联起来。
6）拆分训练集和测试集，并拆分（X， Y），形成四组数据：
train_X, train_y
test_X, test_y模型构建部分：
1）参数理解：LSTM常见的参数为：units, input_shape(samples, timesteps, input_dim)
https://blog.csdn.net/jiangpeng59/article/details/77646186
units：是指每个cell输出时的维度，本质上为每个cell中隐藏层的节点数量；
input_shape：是指数据的输入形状。
samples：样本的数量；
timesteps：每个样本的状态序列个数；
input_dim：每个状态下的特征数；
例如：假如我们输入有100个句子，每个句子都由5个单词组成，而每个单词用64维的词向量表示，那么samples=100，timesteps=5，input_dim=64。
return_sequences：True 每一个lstm单元均输出hidden layer;false：只有最后一个lstm单元输出hidden layer
return_states：true:输出状态，以供下一个lstm单元使用。，false:不输出 state
2）shift函数：上下移动函数，主要是用来进行错位相加减的操作。
temp['value_shift'] = temp['value'].shift(2)
是将values列向下移动两个单位；
#!/usr/bin/env python
# _*_ UTF-8 _*_
import pandas as pd
from sklearn.preprocessing import LabelEncoder,MinMaxScaler
from sklearn.metrics import mean_squared_error
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
import matplotlib.pyplot as pyplot
from numpy import concatenate
from math import sqrt
# 给定输入、输出序列的长度，它可以自动地将时间序列数据转型为适用于监督学习的数据
# https://blog.csdn.net/u012735708/article/details/82769711
def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):
# n_vars为列数，此处为8
n_vars = 1 if type(data) is list else data.shape[1]
df = pd.DataFrame(data)
cols, names = list(), list()
for i in range(n_in, 0, -1):
cols.append(df.shift(i))
names += [('var%d(t-%d)' % (j + 1, i)) for j in range(n_vars)]
for i in range(0, n_out):
cols.append(df.shift(-i))
if i == 0:
names += [('var%d(t)' % (j + 1)) for j in range(n_vars)]
else:
names += [('var%d(t+%d)' % (j + 1, i)) for j in range(n_vars)]
# put it all together
agg = pd.concat(cols, axis=1)
agg.columns = names
# drop rows with NaN values
if dropnan:
agg.dropna(inplace=True)
# 它的返回值只有一个, 即转型后适用于监督学习的DataFrame
return agg
# load dataset
dataset = pd.read_csv('pollution.csv', header=0, index_col=0)
values = dataset.values
# LabelEncoder是对不连续的数字或文本编号。
encoder = LabelEncoder()
values[:, 4] = encoder.fit_transform(values[:, 4])
# ensure all data is float
values = values.astype('float32')
# 数据归一化：此时已经去掉时间值，第一列为污染指数PM2.5:
scaler = MinMaxScaler(feature_range=(0, 1))
scaled = scaler.fit_transform(values)
# 将数据规整成为可以放进神经网络的dataframe。
reframed = series_to_supervised(scaled, 1, 1)
# drop columns we don't want to predict
# reframed一共有16列，去除10——16列：经过这一变化，
# 数据集的最后一行表示下一刻空气的污染程度。第一行表示这一刻空气的污染程度
# 模型通过对前八行的数据，即这一刻的数据，预测第九行，即下一刻的污染程度。
reframed.drop(reframed.columns[[9, 10, 11, 12, 13, 14, 15]], axis=1, inplace=True)
# 整理好所需要的数据：
# split into train and test sets
values = reframed.values
n_train_hours = 365 * 24
train = values[:n_train_hours, :]
test = values[n_train_hours:, :]
# 取所有行，区分最后一列：[:, :-1]：不取最后一列；[:, -1]获取最后一列
# 经过上面的处理之后形成了新的数列，然后整理出y值
# X是前8行，Y是第9行。
train_X, train_y = train[:, :-1], train[:, -1]
test_X, test_y = test[:, :-1], test[:, -1]
# reshape input to be 3D [samples, timesteps, features]
train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1]))
test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1]))
# design network
model = Sequential()
# 50为units，是指每个cell中隐藏层结构的参数数量，即经过一个cell之后，数据的维度变为50。
# 假如我们输入有100个句子，每个句子都由5个单词组成，而每个单词用64维的词向量表示。
# 那么samples=100，timesteps=5，input_dim=64，
# 可以简单地理解timesteps就是输入序列的长度。
# input_shape：输入形状为（1，8）
# model.add(Bidirectional(LSTM(50, return_sequences=True),
# input_shape=(train_X.shape[1], train_X.shape[2])))
model.add(LSTM(50, input_shape=(train_X.shape[1], train_X.shape[2])))
model.add(Dense(1))
model.compile(loss='mae', optimizer='adam')
# fit network
history = model.fit(train_X,train_y,epochs=50,batch_size=72,validation_data=(test_X, test_y),
verbose=2,shuffle=False)
model.save('air_analysis.model')
# plot history
pyplot.plot(history.history['loss'], label='train')
pyplot.plot(history.history['val_loss'], label='test')
# 显示图例：
pyplot.legend()
pyplot.show()
4、预测效果：模型构建完成之后可以通过测试来预测效果，inverse_transform的作用是实现计算值与实际值之间的转换，方便后面误差计算。
# make a prediction
# 1、测试集是处理之后的数据：新的数据在输入模型之前需要进行一系列同上的操作，
# 所以需要实现数据的预处理模型，将其整理为一个对应的方法。
# 2、将整理好的数据放入模型中处理：
yhat = model.predict(test_X)
test_X = test_X.reshape((test_X.shape[0], test_X.shape[2]))
print(test_X)
# invert scaling for forecast concatenate：数据拼接
inv_yhat = concatenate((yhat, test_X[:, 1:]), axis=1)
print(inv_yhat)
# 3、是将标准化后的数据转换为原始数据：
inv_yhat = scaler.inverse_transform(inv_yhat)
inv_yhat = inv_yhat[:,0]
# invert scaling for actual
inv_y = scaler.inverse_transform(test_X)
inv_y = inv_y[:,0]
# calculate RMSE:均方根误差
rmse = sqrt(mean_squared_error(inv_y, inv_yhat))
print('Test RMSE: %.3f' % rmse)5、模型调用：模型构建完成后，需要在一定的场合中应用，可以新起一个文件，导入刚才保存的文件，调用开始预测。
#!/usr/bin/env python
# _*_ UTF-8 _*_
from sklearn.preprocessing import LabelEncoder,MinMaxScaler
import tensorflow as tf
import pandas as pd
from numpy import concatenate
if __name__ == '__main__':
model = tf.keras.models.load_model('air_analysis.model')
dataset = pd.read_csv('forecast.csv', header=0, index_col=0)
# 数据预处理：
values = dataset.values
# LabelEncoder是对不连续的数字或文本编号。
encoder = LabelEncoder()
values[:, 4] = encoder.fit_transform(values[:, 4])
# ensure all data is float
values = values.astype('float32')
# 数据归一化：此时已经去掉时间值，第一列为污染指数PM2.5:
scaler = MinMaxScaler(feature_range=(0, 1))
values = scaler.fit_transform(values)
train_X = values.reshape((values.shape[0], 1, values.shape[1]))
# 数据预测：
yhat = model.predict(train_X)
# 数据还原：
test_X = train_X.reshape((train_X.shape[0], train_X.shape[2]))
# invert scaling for forecast concatenate：数据拼接
inv_yhat = concatenate((yhat, test_X[:, 1:]), axis=1)
# 3、是将标准化后的数据转换为原始数据：
inv_yhat = scaler.inverse_transform(inv_yhat)
inv_yhat = inv_yhat[:, 0]
print(inv_yhat)
因为笔者也是新开始做这个模型，一边学一边练，如有不对的地方，请指正，谢谢～
笔者是一个痴迷于挖掘数据中的价值的学习人，希望在平日的工作学习中，挖掘数据的价值，找寻数据的秘密，笔者认为，数据的价值不仅仅只体现在企业中，个人也可以体会到数据的魅力，用技术力量探索行为密码，让大数据助跑每一个人，欢迎直筒们关注我的公众号，大家一起讨论数据中的那些有趣的事情。
我的公众号为：livandata
