pytorch利用不同年份暴雨次数的表格预测未来十年的暴雨次数代码

PyTorch 主要是用于深度学习，而基于历史暴雨数据预测未来十年的暴雨次数通常涉及到时间序列分析或回归问题，可以采用机器学习模型如线性回归、循环神经网络 (RNN) 或者更复杂的 LSTM（长短期记忆网络）。这里是一个简化的例子，展示如何使用 PyTorch 构建一个基于历史暴雨次数的简单 RNN 来预测：

import torch
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from torch.utils.data import Dataset, DataLoader
from torch.nn import Linear, LSTM

# 假设你已经有了一个名为 'rainfall_data.csv' 的 CSV 文件，其中包含年份和暴雨次数列
data = pd.read_csv('rainfall_data.csv')

# 数据预处理
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(data[['batches_of_rain']])

# 将数据分割成训练集和测试集
train_size = int(len(scaled_data) * 0.8)
train_data, test_data = scaled_data[:train_size], scaled_data[train_size:]

# 定义自定义数据集类
class RainfallDataset(Dataset):
    def __init__(self, data, look_back=1):
        self.data = data
        self.look_back = look_back
    
    def __len__(self):
        return len(self.data) - self.look_back
    
    def __getitem__(self, idx):
        x, y = [], []
        for i in range(self.look_back, len(self.data)):
            x.append(self.data[i-look_back:i])
            y.append(self.data[i])
        return torch.tensor(x), torch.tensor(y)

# 设置超参数
look_back = 5  # 这里假设我们想看过去5年的数据来预测下一年
batch_size = 64
epochs = 50

# 创建数据加载器
dataset = RainfallDataset(train_data, look_back)
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)

# 定义 LSTM 模型
model = LSTM(input_size=train_data.shape[1], hidden_size=50, num_layers=1, output_size=1)

# 使用 PyTorch 训练模型
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
criterion = torch.nn.MSELoss()

for epoch in range(epochs):
    for batch_idx, (inputs, targets) in enumerate(dataloader):
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, targets.view(-1))
        loss.backward()
        optimizer.step()
        
# 测试模型并预测未来十年的暴雨次数
test_dataset = RainfallDataset(test_data, look_back)
test_dataloader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
predictions = []

for inputs, _ in test_dataloader:
    with torch.no_grad():
        predicted_values = scaler.inverse_transform(model(inputs).detach().numpy())
        predictions.extend(predicted_values)