gru模型交通量预测及实例

GRU（Gated Recurrent Unit）是一种递归神经网络（RNN）模型，它在处理序列数据时比标准的RNN有更好的性能。在交通量预测中，GRU模型可以根据历史交通量预测未来交通量。

以下是一个简单的GRU模型交通量预测的示例：

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

# 加载数据
data = pd.read_csv('traffic_data.csv', header=None)

# 数据预处理
scaler = MinMaxScaler(feature_range=(0, 1))
data = scaler.fit_transform(data)

# 数据集划分
train_size = int(len(data) * 0.67)
test_size = len(data) - train_size
train_data, test_data = data[0:train_size, :], data[train_size:len(data), :]

# 创建X和Y数据集
def create_dataset(dataset, look_back=1):
    data_X, data_Y = [], []
    for i in range(len(dataset) - look_back - 1):
        a = dataset[i:(i + look_back), 0]
        data_X.append(a)
        data_Y.append(dataset[i + look_back, 0])
    return np.array(data_X), np.array(data_Y)

look_back = 10
train_X, train_Y = create_dataset(train_data, look_back)
test_X, test_Y = create_dataset(test_data, look_back)

# 调整输入格式
train_X = np.reshape(train_X, (train_X.shape[0], train_X.shape[1], 1))
test_X = np.reshape(test_X, (test_X.shape[0], test_X.shape[1], 1))

# 创建GRU模型
model = Sequential()
model.add(GRU(units=64, input_shape=(look_back, 1)))
model.add(Dropout(0.2))
model.add(Dense(units=1))

model.compile(optimizer='adam', loss='mean_squared_error')

# 训练模型
model.fit(train_X, train_Y, epochs=100, batch_size=32)

# 预测未来交通量
train_predict = model.predict(train_X)
test_predict = model.predict(test_X)

# 反归一化处理
train_predict = scaler.inverse_transform(train_predict)
train_Y = scaler.inverse_transform([train_Y])
test_predict = scaler.inverse_transform(test_predict)
test_Y = scaler.inverse_transform([test_Y])

# 输出预测结果
print('Train Mean Squared Error:', np.sqrt(np.mean((train_predict - train_Y) ** 2)))
print('Test Mean Squared Error:', np.sqrt(np.mean((test_predict - test_Y) ** 2)))

# 可视化预测结果
import matplotlib.pyplot as plt

plt.plot(train_Y.flatten(), label='Actual')
plt.plot(train_predict.flatten(), label='Predicted')
plt.legend()
plt.show()

plt.plot(test_Y.flatten(), label='Actual')
plt.plot(test_predict.flatten(), label='Predicted')
plt.legend()
plt.show()

在这个示例中，我们使用了一个交通量数据集，并将其分成训练集和测试集。然后，我们创建了一个函数来为模型创建X和Y数据集，以便模型可以使用历史交通量来预测未来交通量。我们使用了一个10个时间步长的窗口来预测未来交通量。然后，我们使用GRU模型来训练数据，并使用预测结果来评估模型的性能。最后，我们可视化了预测结果，以便更好地了解模型的表现。