GRU模型交通量预测及代码

GRU (Gated Recurrent Unit) 是一种循环神经网络，常用于序列数据的建模。在交通量预测任务中，我们可以使用 GRU 模型对历史交通数据进行建模，从而预测未来交通量。

下面是一个简单的 GRU 模型的交通量预测代码示例：

import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense, GRU
from sklearn.preprocessing import MinMaxScaler

# 加载数据
data = pd.read_csv('traffic.csv')

# 数据预处理
scaler = MinMaxScaler(feature_range=(0, 1))
data['scaled_volume'] = scaler.fit_transform(data['volume'].values.reshape(-1, 1))

# 划分训练集和测试集
train_size = int(len(data) * 0.8)
train_data = data.iloc[:train_size]
test_data = data.iloc[train_size:]

# 准备数据
def prepare_data(data, seq_len):
    X = []
    y = []
    for i in range(len(data) - seq_len - 1):
        X.append(data[i:(i + seq_len)])
        y.append(data[i + seq_len])
    return np.array(X), np.array(y)

seq_len = 10
X_train, y_train = prepare_data(train_data['scaled_volume'].values, seq_len)
X_test, y_test = prepare_data(test_data['scaled_volume'].values, seq_len)

# 构建 GRU 模型
model = Sequential()
model.add(GRU(units=64, input_shape=(seq_len, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=16)

# 在测试集上评估模型
train_predict = model.predict(X_train)
test_predict = model.predict(X_test)

# 反归一化
train_predict = scaler.inverse_transform(train_predict)
y_train = scaler.inverse_transform([y_train])
test_predict = scaler.inverse_transform(test_predict)
y_test = scaler.inverse_transform([y_test])

# 计算误差
train_score = np.sqrt(mean_squared_error(y_train[0], train_predict[:, 0]))
test_score = np.sqrt(mean_squared_error(y_test[0], test_predict[:, 0]))
print(f'Train Score: {train_score:.2f} RMSE')
print(f'Test Score: {test_score:.2f} RMSE')

这里使用了 Keras 框架来构建 GRU 模型。首先，我们加载数据并进行归一化处理。然后，将数据划分为训练集和测试集，并准备数据，以便输入到 GRU 模型中。接下来，构建 GRU 模型并训练模型。最后，在测试集上评估模型，并计算 RMSE 误差。