• 瑾瑾瑾
    了解作者
  • Python
    开发工具
  • 1KB
    文件大小
  • zip
    文件格式
  • 0
    收藏次数
  • 10 积分
    下载积分
  • 8
    下载次数
  • 2020-09-14 20:54
    上传日期
时间序列预测,利用GRU模型预测客流、车流时间序列
GRU.py.zip
  • GRU.py
    4KB
内容介绍
from math import sqrt from numpy import concatenate from matplotlib import pyplot from pandas import read_csv from pandas import DataFrame from pandas import concat from sklearn.preprocessing import MinMaxScaler from sklearn.preprocessing import LabelEncoder from sklearn.metrics import mean_squared_error from keras.models import Sequential from keras.layers import Dense from keras.layers import GRU import numpy as np # convert series to supervised learning def series_to_supervised(data, n_in=1, n_out=1, dropnan=True): n_vars = 1 if type(data) is list else data.shape[1] df = DataFrame(data) cols, names = list(), list() # input sequence (t-n, ... t-1) for i in range(n_in, 0, -1): cols.append(df.shift(i)) names += [('var%d(t-%d)' % (j+1, i)) for j in range(n_vars)] # forecast sequence (t, t+1, ... t+n) for i in range(0, n_out): cols.append(df.shift(-i)) if i == 0: names += [('var%d(t)' % (j+1)) for j in range(n_vars)] else: names += [('var%d(t+%d)' % (j+1, i)) for j in range(n_vars)] # put it all together agg = concat(cols, axis=1) agg.columns = names # drop rows with NaN values if dropnan: agg.dropna(inplace=True) return agg # load dataset dataset = read_csv('京哈高速(1).csv', header=0, index_col=0) values = dataset.values # integer encode direction #encoder = LabelEncoder() #values[:,4] = encoder.fit_transform(values[:,4]) # ensure all data is float values = values.astype('float32') # normalize features scaler = MinMaxScaler(feature_range=(0, 1)) scaled = scaler.fit_transform(values) # frame as supervised learning reframed = series_to_supervised(scaled, 1, 1) # drop columns we don't want to predict reframed.drop(reframed.columns[[4,5]], axis=1, inplace=True) #改为[3,4]可预测速度 print(reframed.head()) # split into train and test sets values = reframed.values n_train_hours = 400 #设置训练样本量 train = values[:n_train_hours, :] test = values[n_train_hours:, :] # split into input and outputs train_X, train_y = train[:, :-1], train[4:, -1] train_X_1 = train_X[:-4, :] train_X_2 = train_X[1:-3, :] train_X_3 = train_X[2:-2, :] train_X_4 = train_X[3:-1, :] train_X_5 = train_X[4:, :] com = np.array([train_X_1, train_X_2, train_X_3, train_X_4, train_X_5]) train_X = com.transpose((1,0,2)) #print(arr5) print(train_X) test_X, test_y = test[:, :-1], test[4:, -1] test_X_1 = test_X[:-4, :] test_X_2 = test_X[1:-3, :] test_X_3 = test_X[2:-2, :] test_X_4 = test_X[3:-1, :] test_X_5 = test_X[4:, :] com1 = np.array([test_X_1, test_X_2, test_X_3, test_X_4, test_X_5]) test_X = com1.transpose((1,0,2)) # reshape input to be 3D [samples, timesteps, features] #trainxshape = int (train_X.shape[0]/10) #testxshape=int(test_X.shape[0]/10) #train_X = train_X.reshape((trainxshape, 10, train_X.shape[1])) #test_X = test_X.reshape((testxshape, 10, test_X.shape[1])) print(train_X.shape, train_y.shape, test_X.shape, test_y.shape) # design network model = Sequential() model.add(GRU(50, input_shape=(train_X.shape[1], train_X.shape[2]))) model.add(Dense(1)) model.compile(loss='mae', optimizer='adam') # fit network history = model.fit(train_X, train_y, epochs=50, batch_size=72, validation_data=(test_X, test_y), verbose=2, shuffle=False) # plot history pyplot.plot(history.history['loss'], label='train') pyplot.plot(history.history['val_loss'], label='test') pyplot.legend() pyplot.show() # make a prediction yhat = model.predict(test_X) #test_X = test_X.reshape((test_X.shape[0], test_X.shape[2])) # invert scaling for forecast inv_yhat = concatenate((yhat, test_X_2[:, 1:]), axis=1) inv_yhat = scaler.inverse_transform(inv_yhat) inv_yhat = inv_yhat[:,0] # invert scaling for actual test_y = test_y.reshape((len(test_y), 1)) inv_y = concatenate((test_y, test_X_2[:, 1:]), axis=1) inv_y = scaler.inverse_transform(inv_y) inv_y = inv_y[:,0] # calculate RMSE rmse = sqrt(mean_squared_error(inv_y, inv_yhat)) print('Test RMSE: %.3f' % rmse) #np.savetxt('new.csv', inv_yhat, delimiter=',')#存储预测结果 #np.savetxt('true.csv', inv_y, delimiter=',')#存储真实数据
评论
    相关推荐
    • LSTM时间序列预测.zip
      本代码采用python语言编写的的一个LSTM时间序列预测销量
    • 时间序列组合预测
      R语言代码 本人亲测可以跑 ARIMA和SVM 组合预测 ARIMA 与SVM 模型各有优缺点,但由于分别...假设时间序列Yt可视为线性自相关部分Lt与非线性 残差Nt两部分的组合, 即:Yt = Lt+ Nt,本文拟采取如下步骤 构建组合预测模型:
    • 时空序列预测
      时空序列预测。文件 `heat.csv` 包含原始温度数据。 200 行对应 200 个时间步长,41 列是 41 个空间点。 文件 `heat_relations.csv` 包含 41 个空间点之间的空间关系。它是一个 41 x 41 的邻接矩阵 _A_,其中 _A(i, ...
    • 时间序列预测算法源码
      java版的时间序列预测算法源码,是核心代码
    • RBF时间序列预测
      RBF时间序列预测,包含测试程序和训练程序,数据集根据自己需求进行添加
    • 时间序列预测
      澳大利亚旅游数据集的时间序列和预测 对于这个项目,我一直在使用几种不同的算法,每种算法都有明确的...ARIMA的时间序列预测 先知的时间序列预测 LSTM样本外预测 LSTM对未来的一步一步预测 希望你能在学习的同时享受:)
    • SVM时间序列预测文档
      改进SVM及其在时间序列数据预测中的应用 基于LS_SVM的交通流量时间序列预测 新型SVM对时间序列预测研究 支持向量回归机在铁路客运量时间序列预测中的应用
    • 时间序列预测
      时间序列预测时间序列预测法其实是一种回归预测方法,属于定量预测,其基本原理是;一方面承认事物发展的延续性,运用过去时间序列的数据进行统计分析,推测出事物的发展趋势;另一方面充分考虑到偶然因素影响而...
    • 时间序列预测
      使用c#编写的,时间序列预测程序,算法是BP、RNN神经网络
    • 时间序列1.rar
      利用R语言进行详细的时间序列分析,以实例展示过程。