第32周———Tensorflow｜LSTM-火灾温度预测

目录

前言

1.检查GPU

2.查看数据

3.划分数据集

4.创建模型

5.编译及训练模型

6.结果可视化

7.模型评估

8.总结

[1）项目背景与目标](#1）项目背景与目标)

2）代码结构与关键流程

3）代码优点总结

前言

🍨 本文为🔗365天深度学习训练营中的学习记录博客

🍖 原作者：K同学啊

1.检查GPU

python 复制代码

import tensorflow as tf
import pandas     as pd
import numpy      as np
 
gpus = tf.config.list_physical_devices("GPU")
if gpus:
    tf.config.experimental.set_memory_growth(gpus[0], True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpus[0]],"GPU")
print(gpus)

2.查看数据

python 复制代码

import pandas as pd
import numpy as np
 
df_1 = pd.read_csv("data/woodpine2.csv")
df_1
 
import matplotlib.pyplot as plt
import seaborn as sns
 
plt.rcParams['savefig.dpi'] = 500 #图片像素
plt.rcParams['figure.dpi']  = 500 #分辨率
 
fig, ax =plt.subplots(1,3,constrained_layout=True, figsize=(14, 3))
 
sns.lineplot(data=df_1["Tem1"], ax=ax[0])
sns.lineplot(data=df_1["CO 1"], ax=ax[1])
sns.lineplot(data=df_1["Soot 1"], ax=ax[2])
plt.show()
 
dataFrame = df_1.iloc[:,1:]
dataFrame

3.划分数据集

python 复制代码

width_X = 8
width_y = 1
 
X = []
y = []
 
in_start = 0
 
for _, _ in df_1.iterrows():
    in_end  = in_start + width_X
    out_end = in_end   + width_y
    
    if out_end < len(dataFrame):
        X_ = np.array(dataFrame.iloc[in_start:in_end , ])
        X_ = X_.reshape((len(X_)*3))
        y_ = np.array(dataFrame.iloc[in_end  :out_end, 0])
 
        X.append(X_)
        y.append(y_)
    
    in_start += 1
 
X = np.array(X)
y = np.array(y)
 
X.shape, y.shape
 
from sklearn.preprocessing import MinMaxScaler
 
#将数据归一化，范围是0到1
sc       = MinMaxScaler(feature_range=(0, 1))
X_scaled = sc.fit_transform(X)
X_scaled.shape
 
X_scaled = X_scaled.reshape(len(X_scaled),width_X,3)
X_scaled.shape
 
X_train = np.array(X_scaled[:5000]).astype('float64')
y_train = np.array(y[:5000]).astype('float64')
 
X_test  = np.array(X_scaled[5000:]).astype('float64')
y_test  = np.array(y[5000:]).astype('float64')
 
X_train.shape

4.创建模型

python 复制代码

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,Bidirectional
from tensorflow.keras        import Input
 
# 多层 LSTM
model_lstm = Sequential()
model_lstm.add(LSTM(units=64, activation='relu', return_sequences=True,
               input_shape=(X_train.shape[1], 3)))
model_lstm.add(LSTM(units=64, activation='relu'))
 
model_lstm.add(Dense(width_y))

5.编译及训练模型

python 复制代码

# 只观测loss数值，不观测准确率，所以删去metrics选项
model_lstm.compile(optimizer=tf.keras.optimizers.Adam(1e-3),
                   loss='mean_squared_error')  # 损失函数用均方误差
 
history_lstm = model_lstm.fit(X_train, y_train, 
                         batch_size=64, 
                         epochs=40, 
                         validation_data=(X_test, y_test),
                         validation_freq=1)

6.结果可视化

python 复制代码

# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
 
plt.figure(figsize=(5, 3),dpi=120)
 
plt.plot(history_lstm.history['loss']    , label='LSTM Training Loss')
plt.plot(history_lstm.history['val_loss'], label='LSTM Validation Loss')
 
plt.title('Training and Validation Loss')
plt.legend()
plt.show()
 
predicted_y_lstm = model_lstm.predict(X_test)                        # 测试集输入模型进行预测
 
y_test_one = [i[0] for i in y_test]
predicted_y_lstm_one = [i[0] for i in predicted_y_lstm]
 
plt.figure(figsize=(5, 3),dpi=120)
# 画出真实数据和预测数据的对比曲线
plt.plot(y_test_one[:1000], color='red', label='真实值')
plt.plot(predicted_y_lstm_one[:1000], color='blue', label='预测值')
 
plt.title('Title')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

7.模型评估

python 复制代码

from sklearn import metrics
"""
RMSE ：均方根误差  ----->  对均方误差开方
R2   ：决定系数，可以简单理解为反映模型拟合优度的重要的统计量
"""
RMSE_lstm  = metrics.mean_squared_error(predicted_y_lstm, y_test)**0.5
R2_lstm    = metrics.r2_score(predicted_y_lstm, y_test)
 
print('均方根误差: %.5f' % RMSE_lstm)
print('R2: %.5f' % R2_lstm)

8.总结

1）项目背景与目标

本项目基于 TensorFlow 框架，构建了一个用于时间序列预测的 LSTM 模型。目标是从包含 Tem1、CO 1 和 Soot 1 三个特征的数据集中提取信息，利用连续8个时间步的历史数据来预测第9个时间步的 Tem1 值。整个代码流程涵盖了数据预处理、模型构建与训练、性能评估以及结果可视化等核心步骤。

2）代码结构与关键流程

（1）GPU资源检测与配置

通过 tf.config.list_physical_devices("GPU") 检查系统是否支持GPU运行。

同时启用按需分配显存的策略，以防止训练过程中出现内存溢出的问题。

使用GPU可显著提高训练速度，尤其适用于大数据量的时间序列任务。

（2）数据探索与归一化

数据集中包含三个字段：Tem1（预测目标）、CO 1 和 Soot 1。

利用 seaborn 和 matplotlib 进行可视化处理，分析特征随时间的变化趋势。

采用归一化方法将各特征值缩放至 $0, 1$ 区间，有助于提升模型的训练稳定性与收敛效率。

（3）数据集划分与格式整理

通过滑动窗口方式构建训练样本，每条样本的输入包含前8个时间步的特征值（共3维），输出为第9个时间点的 Tem1。

划分后的数据被转换为 NumPy 数组，并进一步调整为 LSTM 所需的三维格式（样本数, 时间步长, 特征数）。

（4）模型构建

搭建了一个包含两层 LSTM 的深度网络结构：

第一层 LSTM 包含64个单元，使用 ReLU 激活函数，并输出完整序列供后续处理。
第二层 LSTM 进一步整合时序特征，最后通过一个全连接层生成最终预测值。

这种结构有助于模型学习长时依赖关系，适用于复杂时间序列建模任务。

（5）模型编译与训练过程

使用均方误差（MSE）作为损失函数，优化器选用 Adam。

模型以批大小为64进行训练，共执行40轮（epoch），每轮均验证模型在验证集上的表现。

训练过程中可实时监控验证集误差，确保模型不会过拟合。

（6）预测结果与可视化展示

绘制训练和测试损失曲线以评估模型是否收敛。

通过对比预测值与实际值的时间序列图，验证模型的预测准确性。

借助列表推导式将多维数组转为一维序列，便于图像绘制和误差分析。

（7）性能评估指标

采用均方根误差（RMSE）和决定系数（R²）来衡量模型的泛化能力：

RMSE 表征预测误差的平均水平；
R² 用于衡量模型对目标变量波动的解释能力。

评估结果显示模型在一定程度上具备预测能力，但仍有优化空间。

3）代码优点总结

数据处理得当：结合归一化与滑动窗口法，合理组织了模型输入格式。
模型结构清晰：双层 LSTM 架构提高了模型捕捉时间依赖特征的能力。
训练策略合理：使用自适应优化器 Adam 和经典的 MSE 损失函数，使训练过程更加稳定。
评估全面：结合可视化与数值评价指标，较为全面地分析了模型效果。

第32周———Tensorflow｜LSTM-火灾温度预测

前言

1.检查GPU

2.查看数据

3.划分数据集

4.创建模型

5.编译及训练模型

6.结果可视化

​​​​​7.模型评估

8.总结

1） 项目背景与目标

2）代码结构与关键流程

3）代码优点总结

7.模型评估

1）项目背景与目标