周公解梦查询大全基于LSTM温度时间序列预测
本⽂的⽬的是提供代码⽰例，并解释使⽤python和TensorFlow建模时间序列数据的思路。
本⽂展⽰了如何进⾏多步预测并在模型中使⽤多个特征。本⽂的简单版本是，使⽤过去48⼩时的数据和对未来1⼩时的预测(⼀步)，我获得了温度误差的平均绝对误差0.48(中值0.34)度。利⽤过去168⼩时的数据并提前24⼩时进⾏预测，平均绝对误差为摄⽒温度
1.69度(中值1.27)。所使⽤的特征是过去每⼩时的温度数据、每⽇及每年的循环信号、⽓压及风速。
这⾥和整篇⽂章的主数据对象被称为d。它是通过读取原始数据创建的:
d = pd.read_csv(‘data/weather.csv’)
# Converting the dt column to datetime object
d[‘dt’]=[datetime.datetime.utcfromtimestamp(x)for x in d[‘dt’]]
# Sorting by the date手机刷机
d.sort_values(‘dt’, inplace=True)
数据集中共有271008个数据点。
数据似乎是具有明确的周期模式，如下图。
上⾯的图表显⽰，⽓温有⼀个清晰的昼夜循环——中间温度在中午左右最⾼，在午夜左右最低。
这种循环模式在按⽉份分组的温度上更为明显——最热的⽉份是6⽉到8⽉，最冷的⽉份是12⽉到2⽉。洋洋得意的意思
数据现在的问题是，我们只有date列。如果将其转换为数值(例如，提取时间戳(以秒为单位))并将其作为建模时的特性添加，那么循环特性将丢失。因此，我们需要做的第⼀件事就是设计⼀些能够抓住周期性趋势的特性。
我们想让机器知道，23点和0点⽐⼩时0点和4点更接近。我们知道周期是24⼩时。我们可以⽤cos(x)和sin(x)函数。函数中的x是⼀天中的⼀个⼩时
六年级比喻句# Extracting the hour of day
d["hour"]=[x.hour for x in d["dt"]]
# Creating the cyclical daily feature
d["day_cos"]=[np.cos(x *(2* np.pi /24))for x in d["hour"]]
d["day_sin"]=[np.sin(x *(2* np.pi /24))for x in d["hour"]]
得到的dataframe如下:
新创建的特征捕捉了周期性模式。 可能会出现⼀个问题，为什么我们同时使⽤sin和cos函数？
抄一篇优秀日记300字在上图中绘制⼀条⽔平线并仅分析其中⼀条曲线，我们将得到例如cos（7.5h）= cos（17.5h）等。 在学习和预测时，这可能会导致⼀些错误，因此为了使每个点都唯⼀，我们添加了另⼀个循环函数。 同时使⽤这两个功能，可以将所有时间区分开。
喜迎国庆为了在⼀年中的某个时间创建相同的循环逻辑，我们将使⽤时间戳功能。 python中的时间戳是⼀个值，⽤于计算⾃1970.01.01 0H：0m：
0s以来经过了多少秒。 python中的每个date对象都具有timestamp（）函数。
面积的计算公式# Extracting the timestamp from the datetime object
d["timestamp"]=[x.timestamp()for x in d["dt"]]
# Seconds in day
s =24*60*60
# Seconds in year
year =(365.25)* s
d["month_cos"]=[np.cos((x)*(2* np.pi / year))for x in d["timestamp"]]
d["month_sin"]=[np.sin((x)*(2* np.pi / year))for x in d["timestamp"]]
在本节中，我们从datetime列中创建了4个其他功能：daysin，daycos，monthsin和monthcos。
华硕主板设置
在天⽓数据集中，还有两列：wind_speed和pressure。 风速以⽶/秒（m / s）为单位，压⼒以百帕斯卡（hPa）为单位。
