LSTM模型进行天气预测Pytorch版本

LSTM模型进行天气预测Pytorch版本


1-参考网址


2-动手实践

1-创建Pytorch环境

复制代码
# 1-Anacanda使用Python3.9
conda create -n LSTM3.9 python=3.9
conda activate LSTM3.9


# 2-使用cudatoolkit=11.8
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch

# 3-安装所需依赖包
pip install matplotlib 

# 4-查看GPU使用命令
nvidia-smi
watch -n 1 nvidia-smi

2-执行LSTM脚本

复制代码
import matplotlib.pyplot as plt
import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader

# 设置随机种子以确保结果可重复
torch.manual_seed(42)

# 示例:加载和预处理 Jena Climate 数据集(假设数据已加载到一个 NumPy 数组中)
# 在实际应用中,你需要根据实际情况加载和处理数据
data = np.random.rand(1000, 14)  # 假设有 1000 个时间点,14 个特征

# 数据归一化
data_mean = data.mean(axis=0)
data_std = data.std(axis=0)
data = (data - data_mean) / data_std


# 定义时间序列数据集
class TimeSeriesDataset(Dataset):
    def __init__(self, data, seq_length):
        self.data = data
        self.seq_length = seq_length

    def __len__(self):
        return len(self.data) - self.seq_length

    def __getitem__(self, idx):
        x = self.data[idx:idx + self.seq_length, :-1]  # 输入特征:除最后一个特征外的所有特征
        y = self.data[idx + self.seq_length, -1]  # 目标:最后一个特征作为预测目标
        return torch.tensor(x, dtype=torch.float32), torch.tensor(y, dtype=torch.float32)


seq_length = 24  # 序列长度,例如过去 24 个小时的数据
dataset = TimeSeriesDataset(data, seq_length)
train_size = int(0.8 * len(dataset))
test_size = len(dataset) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(dataset, [train_size, test_size])

train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)


# 定义 LSTM 模型
class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LSTMModel, self).__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out, _ = self.lstm(x)
        out = self.fc(out[:, -1, :])  # 使用最后一个时间步的输出进行预测
        return out


input_size = data.shape[1] - 1  # 输入特征数
hidden_size = 64  # 隐藏层单元数
output_size = 1  # 输出特征数(预测目标)
model = LSTMModel(input_size, hidden_size, output_size)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 10
for epoch in range(num_epochs):
    model.train()
    train_loss = 0
    for x_batch, y_batch in train_loader:
        optimizer.zero_grad()
        outputs = model(x_batch)
        loss = criterion(outputs, y_batch.unsqueeze(1))
        loss.backward()
        optimizer.step()
        train_loss += loss.item() * x_batch.size(0)
    train_loss = train_loss / len(train_loader.dataset)

    model.eval()
    test_loss = 0
    with torch.no_grad():
        for x_batch, y_batch in test_loader:
            outputs = model(x_batch)
            loss = criterion(outputs, y_batch.unsqueeze(1))
            test_loss += loss.item() * x_batch.size(0)
    test_loss = test_loss / len(test_loader.dataset)

    print(f'Epoch {epoch + 1}/{num_epochs}, Train Loss: {train_loss:.4f}, Test Loss: {test_loss:.4f}')

# 预测
model.eval()
with torch.no_grad():
    test_inputs = data[-seq_length:, :-1].astype(np.float32)
    test_inputs = torch.tensor(test_inputs).unsqueeze(0)
    predicted = model(test_inputs)
    predicted = predicted.item() * data_std[-1] + data_mean[-1]  # 反归一化

# 打印预测结果
print(f'Predicted value: {predicted:.4f}')

# 可视化结果(示例)
plt.figure(figsize=(10, 6))
plt.plot(data[-100:, -1] * data_std[-1] + data_mean[-1], label='True Values')
plt.plot(len(data) - 1, predicted, 'ro', label='Predicted Value')
plt.xlabel('Time')
plt.ylabel('Temperature')
plt.title('Temperature Prediction')
plt.legend()
plt.show()
相关推荐
诸葛箫声10 分钟前
基于PyTorch的CIFAR-10图像分类项目总结
人工智能·pytorch·分类
en-route20 分钟前
从零开始学神经网络——GRU(门控循环单元)
人工智能·深度学习·gru
说私域25 分钟前
基于开源AI大模型AI智能名片S2B2C商城小程序的产地优势产品营销策略研究
人工智能·小程序·开源
说私域28 分钟前
蒸汽机革命后工业生产方式的变革与AI智能名片S2B2C商城小程序的影响
大数据·人工智能·小程序
MongoVIP38 分钟前
AI提示词应用
人工智能·职场和发展·简历优化·简历制作
深圳UMI1 小时前
AI笔记在学习与工作中的高效运用
大数据·人工智能
大模型真好玩1 小时前
深入浅出LangGraph AI Agent智能体开发教程(八)—LangGraph底层API实现ReACT智能体
人工智能·agent·deepseek
IT_陈寒1 小时前
告别低效!用这5个Python技巧让你的数据处理速度提升300% 🚀
前端·人工智能·后端
北京耐用通信2 小时前
神秘魔法?耐达讯自动化Modbus TCP 转 Profibus 如何为光伏逆变器编织通信“天网”
网络·人工智能·网络协议·网络安全·自动化·信息与通信
居7然2 小时前
如何高效微调大模型?LLama-Factory一站式解决方案全解析
人工智能·大模型·llama·大模型训练·vllm