如何使用PyTorch搭建CNN實現(xiàn)風(fēng)速預(yù)測

這篇文章主要介紹了如何使用PyTorch搭建CNN實現(xiàn)風(fēng)速預(yù)測，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

數(shù)據(jù)集

數(shù)據(jù)集為Barcelona某段時間內(nèi)的氣象數(shù)據(jù)，其中包括溫度、濕度以及風(fēng)速等。本文將利用CNN來對風(fēng)速進行預(yù)測。

特征構(gòu)造

對于風(fēng)速的預(yù)測，除了考慮歷史風(fēng)速數(shù)據(jù)外，還應(yīng)該充分考慮其余氣象因素的影響。因此，我們根據(jù)前24個時刻的風(fēng)速+下一時刻的其余氣象數(shù)據(jù)來預(yù)測下一時刻的風(fēng)速。

一維卷積

我們比較熟悉的是CNN處理圖像數(shù)據(jù)時的二維卷積，此時的卷積是一種局部操作，通過一定大小的卷積核作用于局部圖像區(qū)域獲取圖像的局部信息。圖像中不同數(shù)據(jù)窗口的數(shù)據(jù)和卷積核做inner product（內(nèi)積）的操作叫做卷積，其本質(zhì)是提純，即提取圖像不同頻段的特征。

上面這段話不是很好理解，我們舉一個簡單例子：

假設(shè)最左邊的是一個輸入圖片的某一個通道，為5 × 5 5 \times55×5，中間為一個卷積核的一層，3 × 3 3 \times33×3，我們讓卷積核的左上與輸入的左上對齊，然后整個卷積核可以往右或者往下移動，假設(shè)每次移動一個小方格，那么卷積核實際上走過了一個3 × 3 3 \times33×3的面積，那么具體怎么卷積？比如一開始位于左上角，輸入對應(yīng)為（1， 1， 1；-1， 0， -3；2， 1， 1），而卷積層一直為（1， 0， 0；0， 0， 0；0， 0， -1），讓二者做內(nèi)積運算，即1 * 1+（-1 * 1）= 0,這個0便是結(jié)果矩陣的左上角。當(dāng)卷積核掃過圖中陰影部分時，相應(yīng)的內(nèi)積為-1，如上圖所示。

因此，二維卷積是將一個特征圖在width和height兩個方向上進行滑動窗口操作，對應(yīng)位置進行相乘求和。

相比之下，一維卷積通常用于時序預(yù)測，一維卷積則只是在width或者height方向上進行滑動窗口并相乘求和。 如下圖所示：

原始時序數(shù)為：(1, 20, 15, 3, 18, 12. 4, 17)，維度為8。卷積核的維度為5，卷積核為：(1, 3, 10, 3, 1)。那么將卷積核作用與上述原始數(shù)據(jù)后，數(shù)據(jù)的維度將變?yōu)椋?-5+1=4。即卷積核中的五個數(shù)先和原始數(shù)據(jù)中前五個數(shù)據(jù)做卷積，然后移動，和第二個到第六個數(shù)據(jù)做卷積，以此類推。

數(shù)據(jù)處理

1.數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理階段，主要將某些列上的文本數(shù)據(jù)轉(zhuǎn)為數(shù)值型數(shù)據(jù)，同時對原始數(shù)據(jù)進行歸一化處理。文本數(shù)據(jù)如下所示：

經(jīng)過轉(zhuǎn)換后，上述各個類別分別被賦予不同的數(shù)值，比如"sky is clear"為0，"few clouds"為1。

def load_data():
    global Max, Min
    df = pd.read_csv('Barcelona/Barcelona.csv')
    df.drop_duplicates(subset=[df.columns[0]], inplace=True)
    # weather_main
    listType = df['weather_main'].unique()
    df.fillna(method='ffill', inplace=True)
    dic = dict.fromkeys(listType)
    for i in range(len(listType)):
        dic[listType[i]] = i
    df['weather_main'] = df['weather_main'].map(dic)
    # weather_description
    listType = df['weather_description'].unique()
    dic = dict.fromkeys(listType)
    for i in range(len(listType)):
        dic[listType[i]] = i
    df['weather_description'] = df['weather_description'].map(dic)
    # weather_icon
    listType = df['weather_icon'].unique()
    dic = dict.fromkeys(listType)
    for i in range(len(listType)):
        dic[listType[i]] = i
    df['weather_icon'] = df['weather_icon'].map(dic)
    # print(df)

    columns = df.columns
    Max = np.max(df['wind_speed'])  # 歸一化
    Min = np.min(df['wind_speed'])

    for i in range(2, 17):
        column = columns[i]
        if column == 'wind_speed':
            continue
        df[column] = df[column].astype('float64')
        if len(df[df[column] == 0]) == len(df):  # 全0
            continue
        mx = np.max(df[column])
        mn = np.min(df[column])
        df[column] = (df[column] - mn) / (mx - mn)
    # print(df.isna().sum())
    return df

2.數(shù)據(jù)集構(gòu)造

利用當(dāng)前時刻的氣象數(shù)據(jù)和前24個小時的風(fēng)速數(shù)據(jù)來預(yù)測當(dāng)前時刻的風(fēng)速：

def nn_seq():
    """
    :param flag:
    :param data: 待處理的數(shù)據(jù)
    :return: X和Y兩個數(shù)據(jù)集,X=[當(dāng)前時刻的year，month, hour, day, lowtemp, hightemp, 前一天當(dāng)前時刻的負荷以及前23小時負荷]
                              Y=[當(dāng)前時刻負荷]
    """
    print('處理數(shù)據(jù):')
    data = load_data()
    speed = data['wind_speed']
    speed = speed.tolist()
    speed = torch.FloatTensor(speed).view(-1)
    data = data.values.tolist()
    seq = []
    for i in range(len(data) - 30):
        train_seq = []
        train_label = []
        for j in range(i, i + 24):
            train_seq.append(speed[j])
        # 添加溫度、濕度、氣壓等信息
        for c in range(2, 7):
            train_seq.append(data[i + 24][c])
        for c in range(8, 17):
            train_seq.append(data[i + 24][c])
        train_label.append(speed[i + 24])
        train_seq = torch.FloatTensor(train_seq).view(-1)
        train_label = torch.FloatTensor(train_label).view(-1)
        seq.append((train_seq, train_label))
    # print(seq[:5])

    Dtr = seq[0:int(len(seq) * 0.5)]
    Den = seq[int(len(seq) * 0.50):int(len(seq) * 0.75)]
    Dte = seq[int(len(seq) * 0.75):len(seq)]

    return Dtr, Den, Dte

任意輸出其中一條數(shù)據(jù)：

(tensor([1.0000e+00, 1.0000e+00, 2.0000e+00, 1.0000e+00, 1.0000e+00, 1.0000e+00,
        1.0000e+00, 1.0000e+00, 0.0000e+00, 1.0000e+00, 5.0000e+00, 0.0000e+00,
        2.0000e+00, 0.0000e+00, 0.0000e+00, 5.0000e+00, 0.0000e+00, 2.0000e+00,
        2.0000e+00, 5.0000e+00, 6.0000e+00, 5.0000e+00, 5.0000e+00, 5.0000e+00,
        5.3102e-01, 5.5466e-01, 4.6885e-01, 1.0066e-03, 5.8000e-01, 6.6667e-01,
        0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00, 9.9338e-01, 0.0000e+00,
        0.0000e+00, 0.0000e+00]), tensor([5.]))

數(shù)據(jù)被劃分為三部分：Dtr、Den以及Dte，Dtr用作訓(xùn)練集，Dte用作測試集。

CNN模型

1.模型搭建

CNN模型搭建如下：

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1d = nn.Conv1d(1, 64, kernel_size=2)
        self.relu = nn.ReLU(inplace=True)
        self.Linear1 = nn.Linear(64 * 37, 50)
        self.Linear2 = nn.Linear(50, 1) 
        def forward(self, x):
        x = self.conv1d(x)
        x = self.relu(x)
        x = x.view(-1)
        x = self.Linear1(x)
        x = self.relu(x)
        x = self.Linear2(x)
        return x

卷積層定義如下：

self.conv1d = nn.Conv1d(1, 64, kernel_size=2)

一維卷積的原始定義為：

nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

這里channel的概念相當(dāng)于自然語言處理中的embedding，這里輸入通道數(shù)為1，表示每一個風(fēng)速數(shù)據(jù)的向量維度大小為1，輸出channel設(shè)置為64，卷積核大小為2。

原數(shù)數(shù)據(jù)的維度為38，即前24小時風(fēng)速+14種氣象數(shù)據(jù)。卷積核大小為2，根據(jù)前文公式，原始時序數(shù)據(jù)經(jīng)過卷積后維度為：

38 - 2 + 1 = 37

一維卷積后是一個ReLU激活函數(shù)：

self.relu = nn.ReLU(inplace=True)

接下來是兩個全連接層：

self.Linear1 = nn.Linear(64 * 37, 50)
self.Linear2 = nn.Linear(50, 1)

最后輸出維度為1，即我們需要預(yù)測的風(fēng)速。

2.模型訓(xùn)練

def CNN_train():
    Dtr, Den, Dte = nn_seq()
    print(Dte[0])
    epochs = 100
    model = CNN().to(device)
    loss_function = nn.MSELoss().to(device)
    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
    # 訓(xùn)練
    print(len(Dtr))
    Dtr = Dtr[0:5000]
    for epoch in range(epochs):
        cnt = 0
        for seq, y_train in Dtr:
            cnt = cnt + 1
            seq, y_train = seq.to(device), y_train.to(device)
            # print(seq.size())
            # print(y_train.size())
            # 每次更新參數(shù)前都梯度歸零和初始化
            optimizer.zero_grad()
            # 注意這里要對樣本進行reshape，
            # 轉(zhuǎn)換成conv1d的input size（batch size, channel, series length）
            y_pred = model(seq.reshape(1, 1, -1))
            loss = loss_function(y_pred, y_train)
            loss.backward()
            optimizer.step()
            if cnt % 500 == 0:
                print(f'epoch: {epoch:3} loss: {loss.item():10.8f}')
        print(f'epoch: {epoch:3} loss: {loss.item():10.10f}')

        state = {'model': model.state_dict(), 'optimizer': optimizer.state_dict()}
        torch.save(state, 'Barcelona' + CNN_PATH)

一共訓(xùn)練100輪：

3.模型預(yù)測及表現(xiàn)

def CNN_predict(cnn, test_seq):
    pred = []
    for seq, labels in test_seq:
        seq = seq.to(device)
        with torch.no_grad():
            pred.append(cnn(seq.reshape(1, 1, -1)).item())
    pred = np.array([pred])
    return pred

測試：

def test():
    Dtr, Den, Dte = nn_seq()
    cnn = CNN().to(device)
    cnn.load_state_dict(torch.load('Barcelona' + CNN_PATH)['model'])
    cnn.eval()
    pred = CNN_predict(cnn, Dte)
    print(mean_absolute_error(te_y, pred2.T), np.sqrt(mean_squared_error(te_y, pred2.T)))

CNN在Dte上的表現(xiàn)如下表所示：

感謝你能夠認真閱讀完這篇文章，希望小編分享的“如何使用PyTorch搭建CNN實現(xiàn)風(fēng)速預(yù)測”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識等著你來學(xué)習(xí)!