用pytorch写一个天气预测的代码,用LSTM或CNN,读取天气中的csv文件,由时间和气温两列数据,区分训练集和测试集,用gpu训练,输入为60天的天气,输出为某一天的天气,并画出60天的实际曲线和预测曲线图,注意维度要一致
时间: 2023-09-30 11:06:03 浏览: 84
好的,以下是一个基于 PyTorch 的天气预测模型,使用 LSTM 和 GPU 进行训练:
```python
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader
# 读取数据
data = pd.read_csv('weather.csv')
time = data['time'].values
temperature = data['temperature'].values
# 构造数据集
class WeatherDataset(Dataset):
def __init__(self, temperature, seq_length):
self.temperature = temperature
self.seq_length = seq_length
def __len__(self):
return len(self.temperature) - self.seq_length
def __getitem__(self, idx):
x = self.temperature[idx:idx+self.seq_length]
y = self.temperature[idx+self.seq_length]
return x, y
# 定义模型
class WeatherModel(nn.Module):
def __init__(self, input_size, hidden_size, output_size, num_layers):
super(WeatherModel, self).__init__()
self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
self.fc = nn.Linear(hidden_size, output_size)
def forward(self, x):
h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device)
c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device)
out, _ = self.lstm(x, (h0, c0))
out = self.fc(out[:, -1, :])
return out
# 参数设置
seq_length = 60
input_size = 1
hidden_size = 64
num_layers = 2
output_size = 1
learning_rate = 0.001
num_epochs = 1000
batch_size = 32
# 划分训练集和测试集
train_data = temperature[:int(len(temperature)*0.8)]
test_data = temperature[int(len(temperature)*0.8)-seq_length:]
# 数据集和数据加载器
train_dataset = WeatherDataset(train_data, seq_length)
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
# 模型和优化器
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = WeatherModel(input_size, hidden_size, output_size, num_layers).to(device)
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)
# 训练模型
for epoch in range(num_epochs):
for i, (x, y) in enumerate(train_loader):
x = x.unsqueeze(-1).to(device)
y = y.unsqueeze(-1).to(device)
outputs = model(x)
loss = criterion(outputs, y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if epoch % 100 == 0:
print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))
# 测试模型
model.eval()
with torch.no_grad():
inputs = torch.Tensor(test_data[:-1]).unsqueeze(-1).to(device)
labels = torch.Tensor(test_data[seq_length:]).unsqueeze(-1).to(device)
predicted = model(inputs).squeeze().cpu().numpy()
actual = labels.squeeze().cpu().numpy()
# 绘制实际曲线和预测曲线图
import matplotlib.pyplot as plt
plt.plot(np.arange(len(predicted)), predicted, label='predicted')
plt.plot(np.arange(len(actual)), actual, label='actual')
plt.legend()
plt.show()
```
其中,`weather.csv` 文件应该包含两列数据:`time` 和 `temperature`。`seq_length` 表示输入的天气序列长度,我们在本例中设置为 60。`input_size` 表示每个时间步的输入维度,本例中为 1,即只有一个气温数据。`hidden_size` 表示 LSTM 隐藏层的大小,我们在本例中设置为 64。`num_layers` 表示 LSTM 层数,我们在本例中设置为 2。`output_size` 表示每个时间步的输出维度,本例中为 1,即只有一个气温数据。`learning_rate` 表示学习率,我们在本例中设置为 0.001。`num_epochs` 表示训练轮数,我们在本例中设置为 1000。`batch_size` 表示批大小,我们在本例中设置为 32。
我们将前 80% 的数据作为训练集,后 20% 的数据作为测试集。我们使用 `WeatherDataset` 类来构造数据集,并使用 `DataLoader` 类来构造数据加载器。我们使用 `WeatherModel` 类来定义 LSTM 模型,并使用均方误差(`MSELoss`)作为损失函数,使用 Adam 优化器进行优化。
在训练过程中,我们迭代训练集中的所有序列,并计算每个序列的损失。在测试过程中,我们将模型的输出与测试集的标签进行比较,并计算它们之间的均方误差。最后,我们使用 Matplotlib 绘制实际曲线和预测曲线图。
阅读全文