前言
在本篇文章，我们基于pytorch框架，构造了LSTM模型进行天气预测，并对数据进行了可视化分析，非常值得入门学习。该数据集提供了2013年1月1日至2017年4月24日在印度德里市的数据。其中包含的4个参数是平均温度（meantemp）、湿度（humidity）、风速（wind_speed）和平均气压（meanpressure），以下是特征的描述：
数据集和完整可用的代码可以在后台回复"代码04"获取。
数据可视化
我们自定义的可视化函数，用于绘制每个特征的分布，首先绘制箱线图：
代码语言：javascript复制def box_plot(self):
graph_lsts = []
for i, element in enumerate(self.data.transpose()):
graph_lst = go.Box(y = element,
name = self.box_title,
boxpoints = 'outliers',
line = dict(width=1))
graph_lsts.append(graph_lst)
fig = self.make_subplot(graph_lsts)
fig.update_layout(title=self.box_title,
xaxis_title='Columns',
yaxis_title='Values',
template = 'simple_white')
fig.show()
我们继续绘制折线图
代码语言：javascript复制#################### 2. Line Plot ######################
def line_plot(self):
line_lsts = []
for i, element in enumerate(self.data.transpose()):
line = go.Scatter(x = self.date,
y = element,
mode = 'lines',
name = self.line_title)
line_lsts.append(line)
fig = self.make_subplot(line_lsts)
fig.update_layout(title=self.line_title,
xaxis_title='Columns',
yaxis_title='Values',
template = 'simple_white')
fig.show()
从可视化的折线图我们可以观察到，训练集中存在异常值，比如在'风速'和'平均气压'数据列中，一些数据点明显是离群的。
模型构建
受限于篇幅，我们这里只给出LSTM模型的代码，完整代码和数据可在公众号后台获取。模型结构非常简单，是一个两层的LSTM, 隐藏层大小为128。
代码语言：javascript复制class LSTMModel(nn.Module):
def __init__(self):
super().__init__()
self.lstm = nn.LSTM(input_size = 6,
num_layers = 2,
hidden_size = 128,
batch_first = True,
bidirectional= True)
self.dropout = nn.Dropout(0.2)
self.linear1 = nn.Linear(128*2, 64)
self.linear2 = nn.Linear(64, 8)
self.output_linear = nn.Linear(8, 1)
def forward(self, x):
x, _ = self.lstm(x)
x = self.dropout(x)
x = self.linear1(x)
x = self.linear2(x)
x = self.output_linear(x)
return x定义好模型后，我们可以进行模型的训练和评估，以下是训练好后，绘制的预测值和原始值可视化展示。
我们模型的 RMSE值: 2.75
代码语言：javascript复制np.sqrt(mean_squared_error(eval_df.iloc[7:]['real_meantemp'], eval_df.iloc[7:]['pred_meantemp']))
