LSTM实现预测天气模型

LSTM可以用于时间序列预测，例如预测天气。以下是一个简单的LSTM实现预测明天的最高气温。

1. 数据准备

首先需要准备数据，可以使用历史天气数据来训练模型。这里使用美国加州洛杉矶市的历史天气数据，数据集可以从网上下载得到。数据集包括每天的最高气温、最低气温、平均气温、湿度、风向、风速等信息，这里只使用最高气温作为预测目标。

2. 数据预处理

将数据集分为训练集和测试集，训练集包括前70%的数据，测试集包括后30%的数据。然后对数据进行归一化处理，将数据缩放到0到1之间。

3. 构建模型

使用Keras来构建模型。模型包括一个LSTM层和一个全连接层，其中LSTM层的输出维度为50，全连接层的输出维度为1，表示预测的最高气温。使用均方误差作为损失函数，Adam优化器进行优化。

from keras.models import Sequential
from keras.layers import LSTM, Dense

model = Sequential()
model.add(LSTM(50, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dense(1))
model.compile(loss='mse', optimizer='adam')

4. 训练模型

使用训练集来训练模型，设置batch_size为64，epochs为100。

history = model.fit(X_train, y_train, epochs=100, batch_size=64, validation_data=(X_test, y_test), shuffle=False)

5. 预测结果

使用训练好的模型对测试集进行预测，并将结果缩放回原始范围。然后可以计算预测结果与实际结果之间的均方根误差。

y_pred = model.predict(X_test)
y_pred = scaler.inverse_transform(y_pred)
y_test = scaler.inverse_transform(y_test)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print('RMSE:', rmse)

完整的代码如下：

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

# 读取数据
df = pd.read_csv('weather.csv')
df = df[['TemperatureHigh']]

# 数据预处理
scaler = MinMaxScaler(feature_range=(0, 1))
dataset = scaler.fit_transform(df)
train_size = int(len(dataset) * 0.7)
test_size = len(dataset) - train_size
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]

def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

look_back = 7
X_train, y_train = create_dataset(train, look_back)
X_test, y_test = create_dataset(test, look_back)

# 构建模型
model = Sequential()
model.add(LSTM(50, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dense(1))
model.compile(loss='mse', optimizer='adam')

# 训练模型
history = model.fit(X_train, y_train, epochs=100, batch_size=64, validation_data=(X_test, y_test), shuffle=False)

# 预测结果
y_pred = model.predict(X_test)
y_pred = scaler.inverse_transform(y_pred)
y_test = scaler.inverse_transform(y_test)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
print('RMSE:', rmse)

这个模型可以预测明天的最高气温，需要提供过去7天的最高气温作为输入。