PyTorch搭建CNN實現風速預測

數據集

數據集為Barcelona某段時間內的氣象數據,其中包括溫度、濕度以及風速等。本文將利用CNN來對風速進行預測。

特征構造

對於風速的預測,除瞭考慮歷史風速數據外,還應該充分考慮其餘氣象因素的影響。因此,我們根據前24個時刻的風速+下一時刻的其餘氣象數據來預測下一時刻的風速。

一維卷積

我們比較熟悉的是CNN處理圖像數據時的二維卷積,此時的卷積是一種局部操作,通過一定大小的卷積核作用於局部圖像區域獲取圖像的局部信息。圖像中不同數據窗口的數據和卷積核做inner product(內積)的操作叫做卷積,其本質是提純,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,然後整個卷積核可以往右或者往下移動,假設每次移動一個小方格,那麼卷積核實際上走過瞭一個3 × 3 3 \times33×3的面積,那麼具體怎麼卷積?比如一開始位於左上角,輸入對應為(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),讓二者做內積運算,即1 * 1+(-1 * 1)= 0,這個0便是結果矩陣的左上角。當卷積核掃過圖中陰影部分時,相應的內積為-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,對應位置進行相乘求和。

相比之下,一維卷積通常用於時序預測,一維卷積則隻是在width或者height方向上進行滑動窗口並相乘求和。 如下圖所示:

原始時序數為:(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)。那麼將卷積核作用與上述原始數據後,數據的維度將變為:8-5+1=4。即卷積核中的五個數先和原始數據中前五個數據做卷積,然後移動,和第二個到第六個數據做卷積,以此類推。

數據處理

1.數據預處理

數據預處理階段,主要將某些列上的文本數據轉為數值型數據,同時對原始數據進行歸一化處理。文本數據如下所示:

經過轉換後,上述各個類別分別被賦予不同的數值,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.數據集構造

利用當前時刻的氣象數據和前24個小時的風速數據來預測當前時刻的風速:

def nn_seq():
    """
    :param flag:
    :param data: 待處理的數據
    :return: X和Y兩個數據集,X=[當前時刻的year,month, hour, day, lowtemp, hightemp, 前一天當前時刻的負荷以及前23小時負荷]
                              Y=[當前時刻負荷]
    """
    print('處理數據:')
    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據:

(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.]))

數據被劃分為三部分:Dtr、Den以及Dte,Dtr用作訓練集,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)

這裡channel的概念相當於自然語言處理中的embedding,這裡輸入通道數為1,表示每一個風速數據的向量維度大小為1,輸出channel設置為64,卷積核大小為2。

原數數據的維度為38,即前24小時風速+14種氣象數據。卷積核大小為2,根據前文公式,原始時序數據經過卷積後維度為:

38 – 2 + 1 = 37

一維卷積後是一個ReLU激活函數:

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)

最後輸出維度為1,即我們需要預測的風速。

2.模型訓練

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())
            # 每次更新參數前都梯度歸零和初始化
            optimizer.zero_grad()
            # 註意這裡要對樣本進行reshape,
            # 轉換成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)

一共訓練100輪:

3.模型預測及表現

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上的表現如下表所示:

MAE RMSE
1.08 1.51

到此這篇關於PyTorch搭建CNN實現風速預測的文章就介紹到這瞭,更多相關PyTorch CNN風速預測內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: