python作业——SVM预测交通流量

需求如下：

需要先安装以下库：

# pip --default-timeout=1000 install numpy
# pip --default-timeout=1000 install scipy
# pip --default-timeout=1000 install matplotlib
# pip --default-timeout=1000 install scikit-learn
# pip --default-timeout=1000 install sklearn

这样安装可以设置超时时间，有的库安装时间比较长

运行结果截图：

实现代码如下：

# pip 导包如下:
# pip --default-timeout=1000 install numpy
# pip --default-timeout=1000 install scipy
# pip --default-timeout=1000 install matplotlib
# pip --default-timeout=1000 install scikit-learn
# pip --default-timeout=1000 install sklearnimport numpy as np
import sklearn
from sklearn import preprocessing
from sklearn.svm import SVR
import sklearn.model_selection as ms
import sklearn.svm as svm
import matplotlib.pyplot as plt
import sklearn.metrics as sm
from sklearn.model_selection import train_test_split
import warnings
warnings.filterwarnings("ignore")# 定义预测类
class Predictdata(object):# 初始化类def __init__(self):self.txt = 'traffic.txt' # 定义txt文件self.input_data = ['Tuesday', '13:35', 'San Francisco', 'yes']  # 列表定义预测样本self.random_state = 5 #初始化参数random_stateself.test_size = 0.25 #初始化参数test_sizeself.C = 10 # 初始化参数Cself.epsilon = 0.2 # 初始化参数epsilon# 读取数据 法一：def read_data(self):# 从traffic.txt文本加载数据, 指定数据类型位strX = np.loadtxt(self.txt, dtype=str, delimiter=',')# print('原始数据为', X)  # 打印加载出的数据# print("***"*15)return X  # 返回原始数据# # 读取数据 法二：# def read_data(self):#     input_file = 'traffic.txt'  # txt文件#     X = [] # 定义空列表#     count = 0  # 定义初始值#     with open(input_file, 'r') as f:  # 打开txt文件#         for line in f.readlines(): # 按行读取txt文件#             data = line[:-1].split(',') # 每行按,分割为列表#             X.append(data) # X追加data#     X = np.array(X)  # X列表转为数组#     print('原始数据为', X)  # 打印加载出的数据#     print("***"*15)#     return X  # 返回原始数据# 定义预测函数def predict(self, X, input_data):# 将数据标记编码label_encoder = []  # 定义空列表，存放LabelEncoderX_encoded = np.empty(X.shape)   # X.shape代表矩阵的形状，即几行几列，X_encoded存放转换后的数据集for i, item in enumerate(X[0]):  # 遍历X第一个元素及得到索引，i 索引, item 元素值if item.isdigit():  # 判断item元素是否只由数字组成X_encoded[:, i] = X[:, i]  # X_encoded第i个数据为X所有数组的第i个数据else:label_encoder.append(preprocessing.LabelEncoder())  # 需要为每个属性(分类)使用不同的标记编码器# X_encoded第i个数据为X所有数组的第i个数据经过最后一个标记编码器对应训练转化后的数据X_encoded[:, i] = label_encoder[-1].fit_transform(X[:, i])X = X_encoded[:, :-1].astype(int)   # 除了最后一个值外的所有值赋给Xy = X_encoded[:, -1].astype(int)    # 每一行最后一个值，也是流量大小，赋值给变量y# 随机划分训练集和测试集，训练集的特征值x_train 测试集的特征值x_test 训练集的目标值y_train 测试集的目标值y_test，x_train, x_test, y_train, y_test = train_test_split(X, y, random_state=self.random_state, test_size=self.test_size)# 指定测试集所占的比例为25%, 随机状态为5params = {'kernel': 'rbf', 'C': self.C, 'epsilon': self.epsilon} # 使用径向基函数，设置初始参数regressor = SVR(**params) # 建立SVRregressor.fit(x_train, y_train) # 训练集数据拟合模型regressor.fit(x_test, y_test) # 测试集数据拟合模型lw = 1x1 = np.arange(y_test.size)x2 = np.arange(y_train.size)y_pred_train = regressor.predict(x_train) # 对所有训练集样本x_train进行预测，交叉验证来检查回归器的性能：# print("Train Mean absolute error =", round(sm.mean_absolute_error(y_train, y_pred_train), 2)) # 输出训练集平均绝对值误差，精确到小数点后两位小数y_pred_test = regressor.predict(x_test) # 对所有测试集样本x_test进行预测，交叉验证来检查回归器的性能：# print("Test Mean absolute error =", round(sm.mean_absolute_error(y_test, y_pred_test), 2))  # 输出测试集平均绝对值误差，精确到小数点后两位小数'''训练集数据与预测数据'''plt.plot(x2, y_train, 'r.-', lw=lw, label='train')plt.plot(x2, y_pred_train, 'k.-', lw=lw, label='predict')plt.xlabel('data')plt.ylabel('target')plt.title('Support Vector Regression')plt.legend()plt.show()print('训练集平均绝对误差：{}'.format(round(sklearn.metrics.mean_absolute_error(y_pred_train, y_train), 2)))print('训练集均方误差MSE：{}'.format(round(sklearn.metrics.mean_squared_error(y_pred_train, y_train), 2)))print('训练集中位数绝对误差：{}'.format(round(sklearn.metrics.median_absolute_error(y_pred_train, y_train), 2)))print('训练集解释方差分：{}'.format(round(sklearn.metrics.explained_variance_score(y_pred_train, y_train), 2)))'''训练集误差'''fig = plt.figure()error_rbf = y_train - y_pred_trainerror_rbf = np.squeeze(error_rbf)plt.plot(x2, error_rbf, 'g.-', lw=lw, label='RBF model error')plt.xlabel('data')plt.ylabel('error')plt.title('The fitting error of each model')plt.legend()plt.show()R2_train = round(sklearn.metrics.r2_score(y_train, y_pred_train, sample_weight=None, multioutput='uniform_average'), 2) # 计算训练集R2得分print('*******训练集R2*******:', R2_train) # 输出训练集R2得分'''测试集数据与预测数据'''plt.plot(x1, y_test, 'r.-', lw=lw, label='test')plt.plot(x1, y_pred_test, 'k.-', lw=lw, label='predict')plt.xlabel('data')plt.ylabel('target')plt.title('Support Vector Regression')plt.legend()plt.show()print('测试集平均绝对误差：{}'.format(round(sklearn.metrics.mean_absolute_error(y_pred_test, y_test), 2)))print('测试集均方误差MSE：{}'.format(round(sklearn.metrics.mean_squared_error(y_pred_test, y_test), 2)))print('测试集中位数绝对误差：{}'.format(round(sklearn.metrics.median_absolute_error(y_pred_test, y_test), 2)))print('测试集解释方差分：{}'.format(round(sklearn.metrics.explained_variance_score(y_pred_test, y_test), 2)))'''测试集误差'''fig = plt.figure()error_rbf = y_test - y_pred_testerror_rbf = np.squeeze(error_rbf)plt.plot(x1, error_rbf, 'g.-', lw=lw, label='RBF model error')plt.xlabel('data')plt.ylabel('error')plt.title('The fitting error of each model')plt.legend()plt.show()R2_test = round(sklearn.metrics.r2_score(y_test, y_pred_test, sample_weight=None, multioutput='uniform_average'), 2) # 计算测试集R2得分print('*******测试集R2*******:', R2_test)  # 输出测试集R2得分input_data_encoded = [-1] * len(input_data) # 对样本数据示例进行编码测试count = 0  # 定义初始值# 对测试数据进行标记编码for i, item in enumerate(input_data):  # 遍历预测样本及得到索引，i 索引, item 样本元素值if item.isdigit():  # 判断item元素是否只由数字组成input_data_encoded[i] = int(input_data[i])  # input_data_encoded第i个数据为input_data第i个数据转换为intelse:input_data_encoded[i] = int(label_encoder[count].transform([input_data[i]]))# input_data_encoded第i个数据为input_data第i个数据经过第count个标记编码器对应转化后数据再转换为intcount = count + 1   # 初始值+1input_data_encoded = np.array(input_data_encoded)  # 把input_data_encoded由列表转化为数组input_data_encoded = input_data_encoded.reshape(1, len(input_data))  # 将input_data_encoded转化为1*len(input_data)的形状print("Predicted traffic:", int(regressor.predict(input_data_encoded)[0]))  # 为特定数据点预测并打印分类结果并保留预测结果的整数部分# 定义预测函数执行过程def process(self):X = self.read_data() # 执行读取数据函数self.predict(X, self.input_data) # 执行预测函数if __name__ == '__main__':predict = Predictdata()  # 实例化类Predictdatapredict.process()  # 执行预测函数

python作业——SVM预测交通流量相关推荐

机器学习（四）SVM之根据相关数据预测交通流量
根据相关数据预测交通流量实验内容准备工作详细步骤实验结果实验内容我们将建立一个SVM来根据相关数据预测交通流量. 准备工作我们将要使用的数据集可以在https://archive.ics ...
深度学习多变量时间序列预测：Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战 LSTM是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要 ...
深度学习多变量时间序列预测：LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:LSTM算法构建时间序列多变量模型预测交通流量+代码实战 LSTM(Long Short Term Memory Network)长短时记忆网络,是一种改进之后的循环神经网 ...
深度学习多变量时间序列预测：Bi-LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:Bi-LSTM算法构建时间序列多变量模型预测交通流量+代码实战人类并不是每时每刻都从一片空白的大脑开始他们的思考.在你阅读这篇文章时候,你都是基于自己已经拥有的对先前所见 ...
深度学习多变量时间序列预测：卷积神经网络（CNN）算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:卷积神经网络(CNN)算法构建时间序列多变量模型预测交通流量+代码实战卷积神经网络,听起来像是计算机科学.生物学和数学的诡异组合,但它们已经成为计算机视觉领域中最具影响力 ...
深度学习多变量时间序列预测：GRU算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:GRU算法构建时间序列多变量模型预测交通流量+代码实战 GRU是LSTM网络的一种效果很好的变体,它较LSTM网络的结构更加简单,而且效果也很好,因此也是当前非常流形的一种 ...
【文献阅读】ST-GDN——图神经网络预测交通流量（Xiyue Zhang等人，ArXiv，2021）
一.背景文章题目:<Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network> 文献下载地址:2110 ...
机器学习作业-交通流量预测综述
文章目录 Graph Neural Network for Traffic Forecasting: A Survey 摘要 1.相关介绍 2.交通流量预测的问题 3.图神经网络在交通预测上的应用 4 ...
python sklearn Rideg岭回归--交通流量预测实例
岭回归岭回归为线性回归的优化对于一般线性回归问题参数的求解采用的是最小二乘法,其目标函数:argmin||Xw-y||^2 参数w的求解,也可以使用如下矩阵方法进行:w=(XTX)-1*XTy ...

python作业——SVM预测交通流量

python作业——SVM预测交通流量相关推荐

最新文章

热门文章