Keras之TCN：基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例

目录

利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例

# 1、定义数据集

# 2、数据预处理

# 2.1、挑选入模特征：定义时间序列数据

# 2.2、切分数据集

# 2.3、将时间序列转化为有监督学习数据集

# 2.4、分离特征与标签

# 3、模型训练与推理

# 3.1、数据再处理

# 将输入数据转化为3D格式 (样本数，时间步，特征数)

# 3.2、建立模型：定义和训练时间卷积神经网络模型

# 3.3、模型训练

# 模型训练可视化：绘制训练和验证损失

# 3.4、模型预测与评估

# 绘制预测结果

相关文章
Keras之TCN：基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例
Keras之TCN：基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例实现代码

利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例

# 1、定义数据集

date week max_temperature min_temperature weather wind_direction wind_level air_quality_index air_quality_level
2021/1/1 周五 4 -1 晴~多云 西北风 2级 52 良
2021/1/2 周六 7 1 晴~多云 东北风 2级 69 良
2021/1/3 周日 10 6 阴 东北风 2级 66 良
2021/1/4 周一 13 7 阴 东风 2级 44 优
2021/1/5 周二 8 2 阴~多云 东北风 3级 49 优
2021/1/6 周三 5 -4 阴 北风 3级 46 优
2021/1/7 周四 -3 -6 阴 西北风 4级 67 良
2021/1/8 周五 -1 -5 阴~晴 西北风 3级 50 优
2021/1/9 周六 3 -1 晴~多云 西北风 3级 57 良
2021/1/10 周日 5 -1 阴~多云 西北风 2级 73 良 
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 805 entries, 2021-01-01 to 2023-03-16
Data columns (total 8 columns):#   Column             Non-Null Count  Dtype
---  ------             --------------  -----  0   week               805 non-null    object 1   max_temperature    805 non-null    int64  2   min_temperature    805 non-null    int64  3   weather            805 non-null    object 4   wind_direction     805 non-null    object 5   wind_level         805 non-null    object 6   air_quality_index  667 non-null    float647   air_quality_level  775 non-null    object
dtypes: float64(1), int64(2), object(5)
memory usage: 56.6+ KB
Noneweek  max_temperature  ...  air_quality_index air_quality_level
date                              ...
2021-01-01   周五                4  ...               52.0                 良
2021-01-02   周六                7  ...               69.0                 良
2021-01-03   周日               10  ...               66.0                 良
2021-01-04   周一               13  ...               44.0                 优
2021-01-05   周二                8  ...               49.0                 优
...         ...              ...  ...                ...               ...
2023-03-12   周日               12  ...               68.0                 良
2023-03-13   周一               14  ...               52.0                 良
2023-03-14   周二               20  ...               55.0                 良
2023-03-15   周三               23  ...               52.0                 良
2023-03-16   周四               15  ...               69.0                 良[805 rows x 8 columns]

# 2、数据预处理

# 2.1、挑选入模特征：定义时间序列数据

# 2.2、切分数据集

df_train (725,)
df_test (80,)

# 2.3、将时间序列转化为有监督学习数据集

train_supervised (684, 42)
test_supervised (39, 42)
train_supervised [[ 4.  7. 10. ... 11. 12. 10.][ 7. 10. 13. ... 12. 10. 13.][10. 13.  8. ... 10. 13. 17.]...[15. 13. 16. ...  6.  4.  5.][13. 16. 18. ...  4.  5.  6.][16. 18. 17. ...  5.  6.  7.]]

# 2.4、分离特征与标签

# 3、模型训练与推理

# 3.1、数据再处理

# 将输入数据转化为3D格式 (样本数，时间步，特征数)

# 3.2、建立模型：定义和训练时间卷积神经网络模型

# 3.3、模型训练

Epoch 1/1000
43/43 - 1s - loss: 124.9150 - val_loss: 28.0470 - 764ms/epoch - 18ms/step
Epoch 2/1000
43/43 - 0s - loss: 41.9717 - val_loss: 41.4632 - 100ms/epoch - 2ms/step
Epoch 3/1000
43/43 - 0s - loss: 55.0186 - val_loss: 36.8242 - 92ms/epoch - 2ms/step
Epoch 4/1000
43/43 - 0s - loss: 48.0289 - val_loss: 35.4341 - 105ms/epoch - 2ms/step
Epoch 5/1000
43/43 - 0s - loss: 46.5520 - val_loss: 34.2107 - 97ms/epoch - 2ms/step
Epoch 6/1000
43/43 - 0s - loss: 39.3062 - val_loss: 34.9127 - 98ms/epoch - 2ms/step
Epoch 7/1000
43/43 - 0s - loss: 41.5857 - val_loss: 33.3312 - 102ms/epoch - 2ms/step
Epoch 8/1000
43/43 - 0s - loss: 39.6624 - val_loss: 36.8456 - 89ms/epoch - 2ms/step
Epoch 9/1000
43/43 - 0s - loss: 37.2232 - val_loss: 32.2082 - 78ms/epoch - 2ms/step
Epoch 10/1000
43/43 - 0s - loss: 32.3461 - val_loss: 32.3342 - 81ms/epoch - 2ms/step
Epoch 11/1000
43/43 - 0s - loss: 32.4692 - val_loss: 31.6105 - 87ms/epoch - 2ms/step
Epoch 12/1000
43/43 - 0s - loss: 31.0049 - val_loss: 31.7516 - 85ms/epoch - 2ms/step
Epoch 13/1000
43/43 - 0s - loss: 31.4120 - val_loss: 32.4814 - 94ms/epoch - 2ms/step
Epoch 14/1000
43/43 - 0s - loss: 30.3727 - val_loss: 32.3661 - 172ms/epoch - 4ms/step
Epoch 15/1000
43/43 - 0s - loss: 28.5779 - val_loss: 33.0914 - 104ms/epoch - 2ms/step
Epoch 16/1000
43/43 - 0s - loss: 28.2869 - val_loss: 33.0207 - 96ms/epoch - 2ms/step
Epoch 17/1000
43/43 - 0s - loss: 27.9438 - val_loss: 33.5665 - 96ms/epoch - 2ms/step
Epoch 18/1000
43/43 - 0s - loss: 26.8220 - val_loss: 34.3124 - 108ms/epoch - 3ms/step
Epoch 19/1000
43/43 - 0s - loss: 26.4627 - val_loss: 34.0599 - 95ms/epoch - 2ms/step
Epoch 20/1000
43/43 - 0s - loss: 26.7424 - val_loss: 34.9252 - 91ms/epoch - 2ms/step
Epoch 21/1000
43/43 - 0s - loss: 25.3610 - val_loss: 35.1354 - 104ms/epoch - 2ms/step
Epoch 22/1000
43/43 - 0s - loss: 25.3079 - val_loss: 36.1249 - 97ms/epoch - 2ms/step
Epoch 23/1000
43/43 - 0s - loss: 24.5994 - val_loss: 36.0049 - 93ms/epoch - 2ms/step
Epoch 24/1000
43/43 - 0s - loss: 24.4569 - val_loss: 36.4239 - 105ms/epoch - 2ms/step
Epoch 25/1000
43/43 - 0s - loss: 23.9317 - val_loss: 35.9488 - 93ms/epoch - 2ms/step
Epoch 26/1000
43/43 - 0s - loss: 23.4671 - val_loss: 36.1248 - 87ms/epoch - 2ms/step
Epoch 27/1000
43/43 - 0s - loss: 23.2060 - val_loss: 36.7490 - 85ms/epoch - 2ms/step
Epoch 28/1000
43/43 - 0s - loss: 23.0000 - val_loss: 36.9432 - 74ms/epoch - 2ms/step
Epoch 29/1000
43/43 - 0s - loss: 22.9452 - val_loss: 37.4504 - 69ms/epoch - 2ms/step
Epoch 30/1000
43/43 - 0s - loss: 22.1462 - val_loss: 38.7905 - 70ms/epoch - 2ms/step
Epoch 31/1000
43/43 - 0s - loss: 22.0330 - val_loss: 38.7575 - 103ms/epoch - 2ms/step
Epoch 32/1000
43/43 - 0s - loss: 22.0065 - val_loss: 38.2103 - 84ms/epoch - 2ms/step
Epoch 33/1000
43/43 - 0s - loss: 21.5495 - val_loss: 39.7773 - 98ms/epoch - 2ms/step
Epoch 34/1000
43/43 - 0s - loss: 21.3134 - val_loss: 40.6234 - 106ms/epoch - 2ms/step
Epoch 35/1000
43/43 - 0s - loss: 20.8954 - val_loss: 41.8935 - 91ms/epoch - 2ms/step
Epoch 36/1000
43/43 - 0s - loss: 20.6854 - val_loss: 42.6756 - 98ms/epoch - 2ms/step
Epoch 37/1000
43/43 - 0s - loss: 20.6962 - val_loss: 44.5400 - 102ms/epoch - 2ms/step
Epoch 38/1000
43/43 - 0s - loss: 20.2958 - val_loss: 43.9005 - 83ms/epoch - 2ms/step
Epoch 39/1000
43/43 - 0s - loss: 20.0900 - val_loss: 46.3218 - 80ms/epoch - 2ms/step
Epoch 40/1000
43/43 - 0s - loss: 19.8518 - val_loss: 47.3231 - 104ms/epoch - 2ms/step
Epoch 41/1000
43/43 - 0s - loss: 19.7069 - val_loss: 48.0385 - 100ms/epoch - 2ms/step
Epoch 42/1000
43/43 - 0s - loss: 19.4992 - val_loss: 50.7614 - 97ms/epoch - 2ms/step
Epoch 43/1000
43/43 - 0s - loss: 19.1684 - val_loss: 49.1486 - 105ms/epoch - 2ms/step
Epoch 44/1000
43/43 - 0s - loss: 19.0760 - val_loss: 53.2720 - 99ms/epoch - 2ms/step
Epoch 45/1000
43/43 - 0s - loss: 18.9300 - val_loss: 50.1390 - 100ms/epoch - 2ms/step
Epoch 46/1000
43/43 - 0s - loss: 18.8669 - val_loss: 54.0359 - 106ms/epoch - 2ms/step
Epoch 47/1000
43/43 - 0s - loss: 18.6694 - val_loss: 52.4647 - 95ms/epoch - 2ms/step
Epoch 48/1000
43/43 - 0s - loss: 18.5207 - val_loss: 55.3733 - 97ms/epoch - 2ms/step
Epoch 49/1000
43/43 - 0s - loss: 18.2313 - val_loss: 54.8835 - 106ms/epoch - 2ms/step
Epoch 50/1000
43/43 - 0s - loss: 18.1582 - val_loss: 53.5451 - 100ms/epoch - 2ms/step……………………43/43 - 0s - loss: 1.2712 - val_loss: 151.7615 - 95ms/epoch - 2ms/step
Epoch 993/1000
43/43 - 0s - loss: 1.1109 - val_loss: 153.4365 - 90ms/epoch - 2ms/step
Epoch 994/1000
43/43 - 0s - loss: 1.2277 - val_loss: 154.8537 - 135ms/epoch - 3ms/step
Epoch 995/1000
43/43 - 0s - loss: 1.1820 - val_loss: 154.8023 - 202ms/epoch - 5ms/step
Epoch 996/1000
43/43 - 0s - loss: 1.5359 - val_loss: 153.2385 - 195ms/epoch - 5ms/step
Epoch 997/1000
43/43 - 0s - loss: 1.6835 - val_loss: 154.5790 - 212ms/epoch - 5ms/step
Epoch 998/1000
43/43 - 0s - loss: 2.7265 - val_loss: 149.3467 - 197ms/epoch - 5ms/step
Epoch 999/1000
43/43 - 0s - loss: 3.3956 - val_loss: 158.7523 - 179ms/epoch - 4ms/step
Epoch 1000/1000
43/43 - 0s - loss: 6.5273 - val_loss: 141.5004 - 180ms/epoch - 4ms/step

# 模型训练可视化：绘制训练和验证损失

# 3.4、模型预测与评估

    y_val  y_val_pred
0    18.0   14.574027
1    23.0    9.982560
2    23.0   11.338496
3    24.0   10.234162
4    25.0   16.762114
5    27.0    9.477368
6    22.0   -0.121278
7    12.0   19.867815
8    14.0   22.165188
9    20.0   22.839424
10   23.0   20.204948
11   15.0   16.035151
weather_shanghai_2000_val_MAE: 9.371264984210333
weather_shanghai_2000_val_MSE： 126.371276982466
weather_shanghai_2000_val_RMSE： 11.241497986588175
weather_shanghai_2000_val_R2: -5.1394952380145424

# 绘制预测结果

Keras之TCN：基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例相关推荐

  1. DL之LSTM/GRU/CNN：基于tensorflow框架分别利用LSTM/GRU、CNN算法对上海最高气温(数据归一化+构造有监督数据集)实现回归预测案例

    DL之LSTM/GRU/CNN:基于tensorflow框架分别利用LSTM/GRU.CNN算法对上海最高气温(构造有监督数据集)实现回归预测案例 目录 基于tensorflow框架分别利用LSTM/ ...

  2. 从一维卷积、因果卷积(Causal CNN)、扩展卷积(Dilation CNN) 到 时间卷积网络 (TCN)

    来源: AINLPer微信公众号(每日干货分享!!) 编辑: ShuYini 校稿: ShuYini 时间: 2022-09-30 引言 卷积神经网络 (CNN) 尽管通常与图像分类任务相关,但经过改 ...

  3. Pytorch之CNN：基于Pytorch框架实现经典卷积神经网络的算法(LeNet、AlexNet、VGG、NIN、GoogleNet、ResNet)——从代码认知CNN经典架构

    Pytorch之CNN:基于Pytorch框架实现经典卷积神经网络的算法(LeNet.AlexNet.VGG.NIN.GoogleNet.ResNet)--从代码认知CNN经典架构 目录 CNN经典算 ...

  4. ML之prophet：利用prophet算法对上海最高气温实现回归预测(时间序列的趋势/周季节性趋势/年季节性趋势)案例

    ML之prophet:利用prophet算法对上海最高气温实现回归预测(时间序列的趋势/周季节性趋势/年季节性趋势)案例 目录 利用prophet算法对上海最高气温实现回归预测(时间序列的趋势/周季节 ...

  5. 【CV】膨胀卷积详解以及时间卷积网络TCN论文笔记和源码实现

    这篇博文分为两部分.第一部分详细讲解了TCN模型(Temporal Convolutional Network)中涉及的1D卷积,因果卷积,膨胀卷积中设计的计算,非常值得一看,有醍醐灌顶的作用.第二部 ...

  6. 时间卷积网络TCN：时间序列处理的新模型

    这篇文章回顾了基于TCN的解决方案的最新创新.我们首先介绍了一个运动检测的案例研究,并简要回顾了TCN架构及其相对于传统方法的优势,如卷积神经网络(CNN)和递归神经网络(RNN).然后,我们介绍了一 ...

  7. 机器学习进阶之 时域/时间卷积网络 TCN 概念+由来+原理+代码实现

    TCN 从"阿巴阿巴"到"巴拉巴拉" TCN的概念(干嘛来的!能解决什么问题) TCN的父母(由来) TCN的原理介绍 上代码! 1.TCN(时域卷积网络.时间 ...

  8. TCN（Temporal Convolutional Network，时间卷积网络）

    1 前言 实验表明,RNN 在几乎所有的序列问题上都有良好表现,包括语音/文本识别.机器翻译.手写体识别.序列数据分析(预测)等. 在实际应用中,RNN 在内部设计上存在一个严重的问题:由于网络一次只 ...

  9. Math之ARIMA：基于statsmodels库利用ARIMA算法(ADF检验+差分修正+ACF/PACF图)对上海最高气温实现回归预测案例

    Math之ARIMA:基于statsmodels库利用ARIMA算法(ADF检验+差分修正+ACF/PACF图)对上海最高气温实现回归预测案例 目录 基于statsmodels库利用ARIMA算法对上 ...

最新文章

  1. Table 'xxxxx' is marked as crashed and last 解决办法
  2. 这样用组图创作内容，能让你的文章被转发
  3. Matlab练习：timer（定时器3）
  4. 登录业务介绍（单点登录）
  5. android加载声音文件,Android是在应用程序中加载和播放声音的最快方式
  6. python装饰器执行顺序
  7. openresty+mysql+乱码_openresty记录响应body乱码问题
  8. python二分法查找时间点_python有序查找算法：二分法
  9. 互联网日报 | 美团门票单日入园人次破500万；蔚来用户累计换电百万次；2020诺贝尔生理学或医学奖揭晓...
  10. 信息学奥赛一本通 2055：【例3.5】收费
  11. java 比较器类_java常用类——比较器
  12. 新建linux服务器初始化操作
  13. Linux之SWIG安装（无需安装pcre依赖）
  14. matlab 矩阵动态,matlab – 如何以块为单位动态重塑矩阵？
  15. C语言中的一些基本函数说明及使用
  16. Python基础090：解决jupyter notebook无法自动跳转chrome浏览器的问题
  17. android 开发者模式进入
  18. unity2d 投影_Unity Projector 投影器原理以及优化
  19. Firefox插件Xmarks的使用方法
  20. Deep Nets Sublinear Memory Cost 笔记

热门文章

  1. Qt编写物联网管理平台22-报警联动
  2. 田纳西大学计算机科学,田纳西大学电气工程与计算机科学
  3. ozip解密_ozip解包工具下载oppo刷机包ozip解包一加ops解包
  4. Html5通过js进行页面内搜索
  5. [Camera Drv]开video dynamic framerate，特定场景下video encode时会闪屏 - MTK物联网在线解答 - 技术论坛
  6. 基于V2EX API的nodejs组件.
  7. 今日金融词汇--- 高杠杆模式
  8. 解决SVN不显示绿色小对勾
  9. 转载本论坛 (fudan_abc ) :linux那些事儿之我是u盘(16)冰冻三尺非一日之寒
  10. 常用的博客社区（续）