同一个网站绑定多个域名,优化营商环境存在问题及整改措施,wordpress 标签云插件,中音阶梯网站谁家建设目录
1 数据处理
1.1 数据集简介
1.2 数据集处理
2 模型训练与预测
2.1 模型训练
2.2 模型多步预测
2.3 结果可视化 1 数据处理
1.1 数据集简介
实验数据集采用数据集6#xff1a;澳大利亚电力负荷与价格预测数据#xff08;下载链接#xff09;#xff0c;包括数…
目录
1 数据处理
1.1 数据集简介
1.2 数据集处理
2 模型训练与预测
2.1 模型训练
2.2 模型多步预测
2.3 结果可视化 1 数据处理
1.1 数据集简介
实验数据集采用数据集6澳大利亚电力负荷与价格预测数据下载链接包括数据集包括日期、小时、干球温度、露点温度、湿球温度、湿度、电价、电力负荷特征时间间隔30min。 单独查看部分负荷数据发现有较强的规律性。 1.2 数据集处理
首先检查数据的缺失值情况通过统计数据可以看到数据比较完整不存在缺失值。其他异常值和数据处理可以自行处理。
# 缺失值统计
data.isnull().sum()
计划预测后一天的数据48个将要预测的数据保留也就是未来未知的数据单独提取出前面训练的数据也就是历史数据并对数据集进行滚动划分。跟前面文章的划分方式不同因为是多变量特征和标签分开划分不然后面处理会有很多问题。 # 训练数据也就是历史数据
dataf data.values[0:-48]
#构造数据集
def create_dataset(datasetx,datasety,timesteps36,predict_size6):datax[]#构造xdatay[]#构造yfor each in range(len(datasetx)-timesteps - predict_steps):x datasetx[each:eachtimesteps,0:6]y datasety[eachtimesteps:eachtimestepspredict_steps,0]datax.append(x)datay.append(y)return datax, datay#np.array(datax),np.array(datay)
接着设置预测的时间步、每次预测的步长、最后总的预测步长参数可以根据需要更改。跟前面文章不同的是这里没有滚动预测因为没有持续的特征传入在实际运用有特征传入时可以滚动预测。
#构造train and predict
train dataf.copy()
timesteps 48 #构造x为48个数据,表示每次用前48个数据作为一段
predict_steps 48 #构造y为48个数据表示用后12个数据作为一段
length 48 #预测多步预测48个数据每次预测48个
接着对数据进行归一化处理跟前面文章的处理方式不同特征和标签分开划分并分开进行归一化处理。
# 特征和标签分开划分
datafx dataf[:,0:5]
datafy dataf[:,5].reshape(25872,1)# 分开进行归一化处理
scaler1 MinMaxScaler(feature_range(0,1))
scaler2 MinMaxScaler(feature_range(0,1))
datafx scaler1.fit_transform(datafx)
datafy scaler2.fit_transform(datafy)
最后对这行数据集进行划分并将数据变换为满足模型格式要求的数据。
trainx, trainy create_dataset(datafx,datafy,timesteps, predict_steps)
trainx np.array(trainx)
trainy np.array(trainy)
2 模型训练与预测
2.1 模型训练
首先搭建模型的常规操作然后使用训练数据trainx和trainy进行训练进行20个epochs的训练每个batch包含200个样本。此时input_shape划分数据集时每个x的形状。
#lstm training
model Sequential()
model.add(LSTM(128,input_shape(timesteps,5),return_sequences True))
model.add(Dropout(0.5))
model.add(LSTM(128,return_sequencesTrue))
#model.add(Dropout(0.3))
model.add(LSTM(64,return_sequencesFalse))
#model.add(Dropout(0.2))
model.add(Dense(predict_steps))
model.compile(lossmean_squared_error,optimizeradam)
model.fit(trainx,trainy, epochs 20, batch_size200)
2.2 模型多步预测
下面介绍文章中最重要也是真正没有未来特征的情况下预测未来标签的方法。整体的思路也就是前面通过前48个数据训练后面的48个未来数据预测时取出前48个数据预测未来的48个未来数据。这里与单变量预测不同没有进行滚动预测因为单变量预测的结果可以作为历史数据进行滚动这里多变量只产生了预测值并没有预测标签不能进行滚动预测在实际有数据源源不断时可以采用滚动预测。里面的数据可以根据需求进行更改 首先提取需要带入模型的数据也就是预测前的timesteps行特征。
predict_xlist []
predict_xlist.extend(dataf[dataf.shape[0]-timesteps:dataf.shape[0],0:5].tolist())
predictx np.array(predict_xlist[-timesteps:])
predictx np.reshape(predictx,(1,timesteps,5))#变换格式适应LSTM模型
准备好数据后接着进行预测并对预测结果进行反归一化。
# 预测
lstm_predict model.predict(predictx)
# 反归一化
lstm_predict scaler2.inverse_transform(lstm_predict)
# 提取预测值方便对比
predict_y []
predict_y.extend(lstm_predict[0])
2.3 结果可视化
计算误差并保存预测结果并进行可视化。
#error
y_ture np.array(data.values[-48:,5])
train_score np.sqrt(mean_squared_error(y_ture,predict_y))
print(train score RMSE: %.2f% train_score)
y_predict pd.DataFrame(predict_y,columns[predict])
y_predict.to_csv(y_predict_LSTM.csv,indexFalse)
# 可视化
from itertools import cycle
cycol cycle(bgrcmk)plt.figure(dpi100,figsize(14,5))
plt.plot(y_ture,cnext(cycol),markevery5)
plt.plot(y_predict,cnext(cycol),markevery5)
plt.legend([y_ture,y_predict])
# 坐标描述
plt.xlabel(时间)
plt.ylabel(功率(kW))
plt.show()
最后可视化运行结果发现预测的效果大致捕捉了趋势预测值存在一定程度的波动。
