北京大气污染PM2.5预测(LSTM)

最新推荐文章于 2025-04-12 16:34:18 发布

frank_zhaojianbo

最新推荐文章于 2025-04-12 16:34:18 发布

阅读量8.2k

点赞数 13

文章标签：机器学习自然语言处理深度学习 tensorflow 神经网络

本文链接：https://blog.youkuaiyun.com/frank_zhaojianbo/article/details/106095702

版权

本文使用LSTM神经网络对北京2010年至2014年的PM2.5数据进行预测，通过数据预处理、特征工程和模型训练，实现了对未来大气PM2.5值的准确预测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
data = pd.read_excel('./北京空气_2010.1.1-2014.12.31.xlsx')

在这里插入图片描述
数据处理：把PM2.5 为null的数据都用相邻的数据填充，我们取2010年1月2日以后的数据。

data = data.iloc[24:].fillna(method = 'ffill')

在这里插入图片描述
把年，月，日和小时合并为一列。

import datetime
data['时间'] = data.apply(lambda x: datetime.datetime(year=x['年'],month =x['月'],day = x['日'],hour = x['小时']),axis = 1)

在这里插入图片描述
去掉年，月，日和小时，并且把时间列作为索引index

data.drop(columns=['No','年','月','日','小时'],inplace = True)
data = data.set_index('时间')

在这里插入图片描述
One-hot 编码风向序列

data = data.join(pd.get_dummies(data.风向))
del data['风向']

在这里插入图片描述
查看2012年到2014年的

data['pm2.5'][-365*24:].plot()
data['pm2.5'][-365*24*2:-365*24].plot()
data['pm2.5'][-365*24*3:-365*24*2].plot()

在这里插入图片描述
用前6天的数据预测第7天的大气PM2.5

sequence_length = 6*24
delay = 24
data_ = []
for i in range(len(data) - sequence_length - delay):
    data_.append(data.iloc[i: i + sequence_length + delay])
data_ = np.array([df.values for df in data_])
np.random.shuffle(data_)
x = data_[:, :-delay, :]
y = data_[:, -1, 0]

把数据的80%分成训练集合，20%分为测试集合。

split_boundary = int(data_.shape[0] * 0.8)
train_x = x[: split_boundary]
test_x = x[split_boundary:]

train_y = y[: split_boundary]
test_y = y[split_boundary:]

对数据进行归一化操作

mean = train_x.mean(axis=0) #均值
std = train_x.std(axis=0) #标准差
train_x = (train_x - mean)/std
test_x = (test_x - mean)/std

定义模型

model_m = keras.Sequential()
model_m.add(layers.LSTM(32, input_shape=(train_x.shape[1:]), return_sequences=True))
model_m.add(layers.LSTM(32, return_sequences=True))
model_m.add(layers.LSTM(32))
model_m.add(layers.Dense(1))

model_m.compile(optimizer=keras.optimizers.Adam(), loss='mae')
learning_rate_reduction = keras.callbacks.ReduceLROnPlateau(monitor='val_loss', patience=3, factor=0.5, min_lr=0.00001)

训练模型

history = model_m.fit(train_x, train_y,
                    batch_size = 128,
                    epochs=200,
                    validation_data=(test_x, test_y),
                    callbacks=[learning_rate_reduction])

保存模型

model_m.save("MULTI_LAYERS_LSTM.h5")

测试模型准确度

data_test = data[-24*6:]
data_test = (data_test - mean)/std
data_test = data_test.to_numpy()
data_test = np.expand_dims(data_test,0)
pm = model_m.predict(data_test)