gru模型交通量预测RMSE代码

以下是使用GRU模型进行交通量预测并计算RMSE的代码示例：

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

# 读取数据
df = pd.read_csv('traffic_data.csv')

# 数据预处理
df['datetime'] = pd.to_datetime(df['datetime'])
df.set_index('datetime', inplace=True)

# 创建训练集和测试集
train_size = int(len(df) * 0.8)
train_data, test_data = df.iloc[:train_size], df.iloc[train_size:]

# 创建用于训练的输入和输出数据
def create_dataset(dataset, look_back=1):
    X, Y = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back), 0]
        X.append(a)
        Y.append(dataset[i + look_back, 0])
    return np.array(X), np.array(Y)

look_back = 12
train_X, train_Y = create_dataset(train_data.values, look_back)
test_X, test_Y = create_dataset(test_data.values, look_back)

# 创建GRU模型
model = Sequential()
model.add(GRU(4, input_shape=(1, look_back)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 训练模型
model.fit(train_X, train_Y, epochs=100, batch_size=1, verbose=2)

# 使用测试集进行预测
test_predict = model.predict(test_X)
test_RMSE = np.sqrt(mean_squared_error(test_Y, test_predict))
print('Test RMSE: %.2f' % (test_RMSE))

这里使用了一个包含12个时间步长的滑动窗口来创建输入和输出数据。在GRU模型中，我们使用了4个内部隐藏层来进行预测。最后，我们计算了测试集上的RMSE作为评估指标。