🌮开发平台：jupyter lab

🍖运行环境：python3、TensorFlow2.x

-----------------------------------------------.9.16 测验成功----------------------------------------------------------------

1. 时间序列预测：用电量预测 01 数据分析与建模

2. 时间序列预测：用电量预测 02 KNN（K邻近算法）

3. 时间序列预测：用电量预测 03 Linear（多元线性回归算法 & 数据未标准化）

4.时间序列预测：用电量预测 04 Std_Linear（多元线性回归算法 & 数据标准化）

5. 时间序列预测：用电量预测 05 BP神经网络

6.时间序列预测：用电量预测 06 长短期记忆网络LSTM

7. 时间序列预测：用电量预测 07 灰色预测算法

数据来源：Individual household electric power consumption Data Set（点击跳转数据集下载页面）

说明：根据上述列表中1.时间序列预测：用电量预测 01 数据分析与建模进行数据整理，得到household_power_consumption_days.csv文件，部分数据展示如下：

时间序列预测：用电量预测 05 BP神经网络

1.导包2. 数据获取2.1 数据划分2.2 数据集、测试集标准化 3.模型3.1 模型构建，并训练3.2 模型损失loss和val_loss对比图3.3 数据预测，并反标准化 4.数据展示4.1 以表格形式对比测试集原始目标数据和预测目标数据4.2 以可视化图的形式对比测试集原始目标数据和预测目标数据 5.保存模型6.加载模型并预测，以表格形式对比测试及原始目标数据和预测目标数据

1.导包

### 线性回归## 测试数据：训练数据和测试数据比例分别占0.9、0.1## BP神经网络import tensorflow as tffrom tensorflow.keras.preprocessing import sequencefrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.datasets import boston_housingfrom tensorflow.keras.layers import Dense, Dropout# from tensorflow.keras.utils import multi_gpu_modelfrom tensorflow.keras import regularizers # 正则化import matplotlib.pyplot as pltimport numpy as npfrom sklearn.preprocessing import MinMaxScalerimport pandas as pdimport warningswarnings.filterwarnings('ignore')

2. 数据获取

2.1 数据划分

### 2.1 将日期变作indexdata = pd.read_csv('../1_pusu/household_power_consumption_days.csv', header=0, infer_datetime_format=True, parse_dates=['datetime'], index_col=['datetime'])### 2.2 查看data的状态data.shape ##(1442, 8)### 2.3 定义自变量和因变量## 定义自变量x_keys = ['Global_active_power', 'Global_reactive_power', 'Voltage','Global_intensity', 'Sub_metering_1', 'Sub_metering_2','Sub_metering_3']x = data[x_keys]## 定义因变量y_keys = ['sub_metering_4']y = data[y_keys]x.shape,y.shape ## ((1442, 7), (1442, 1))## 2.4 划分测试集和训练集from sklearn.model_selection import train_test_splitx_train_pd,x_valid_pd,y_train_pd,y_valid_pd = train_test_split(x,y,test_size=0.1)x_train_pd.shape,x_valid_pd.shape,y_train_pd.shape,y_valid_pd.shape ## ((1297, 7), (145, 7), (1297, 1), (145, 1))

2.2 数据集、测试集标准化

# 训练集归一化min_max_scaler = MinMaxScaler()min_max_scaler.fit(x_train_pd)x_train = min_max_scaler.transform(x_train_pd)min_max_scaler.fit(y_train_pd)y_train = min_max_scaler.transform(y_train_pd)# 验证集归一化min_max_scaler.fit(x_valid_pd)x_valid = min_max_scaler.transform(x_valid_pd)min_max_scaler.fit(y_valid_pd)y_valid = min_max_scaler.transform(y_valid_pd)

3.模型

3.1 模型构建，并训练

# 单CPU or GPU版本，若有GPU则自动切换model = Sequential() # 初始化，很重要！model.add(Dense(units = 10, # 输出大小activation='relu', # 激励函数input_shape=(x_train_pd.shape[1],) # 输入大小, 也就是列的大小))model.add(Dropout(0.2)) # 丢弃神经元链接概率model.add(Dense(units = 15,# kernel_regularizer=regularizers.l2(0.01), # 施加在权重上的正则项# activity_regularizer=regularizers.l1(0.01), # 施加在输出上的正则项activation='relu' # 激励函数# bias_regularizer=keras.regularizers.l1_l2(0.01) # 施加在偏置向量上的正则项))model.add(Dense(units = 1, activation='linear' # 线性激励函数 回归一般在输出层用这个激励函数 ))print(model.summary()) # 打印网络层次结构pile(loss='mse', # 损失均方误差optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), # 优化器)history = model.fit(x_train, y_train,epochs=200, # 迭代次数batch_size=200, # 每次用来梯度下降的批处理数据大小verbose=2, # verbose：日志冗长度，int：冗长度，0：不输出训练过程，1：输出训练进度，2：输出每一个epochvalidation_data = (x_valid, y_valid) # 验证集)

3.2 模型损失loss和val_loss对比图

import matplotlib.pyplot as plt# 绘制训练 & 验证的损失值plt.plot(history.history['loss'])plt.plot(history.history['val_loss'])plt.title('Model loss')plt.ylabel('Loss')plt.xlabel('Epoch')plt.legend(['Train', 'Test'], loc='upper left')plt.show()

3.3 数据预测，并反标准化

# 预测y_new = model.predict(x_valid)# 反归一化min_max_scaler.fit(y_valid_pd)y_new = min_max_scaler.inverse_transform(y_new)

4.数据展示

4.1 以表格形式对比测试集原始目标数据和预测目标数据

## 1.提取原y列的值col_vali=y_valid_pd.iloc[:,-1]y_test=col_vali.values## 2.提取预测列的值col_pre=y_new[:,-1]y_test_predict=col_pre## 3.将array列合并成df表格compare = pd.DataFrame({"原数据":y_test,"预测数据":y_test_predict})compare## 注意：直接df形式合成，会自带原index，若是array，则index为常规序号值

4.2 以可视化图的形式对比测试集原始目标数据和预测目标数据

# 绘制 预测与真值结果plt.figure(figsize=(16,8))plt.plot(y_test, 'b-',label="True value")plt.plot(y_test_predict, 'r--',label="Predict value")plt.legend(loc='best')plt.show()

5.保存模型

from tensorflow.keras.utils import plot_model# 保存模型model.save('model_MLP.h5') # creates a HDF5 file 'my_model.h5'#模型可视化 pip install pydotplot_model(model, to_file='model_MLP.png', show_shapes=True)

6.加载模型并预测，以表格形式对比测试及原始目标数据和预测目标数据

## 1.提取模型进行预测from tensorflow.keras.models import load_model# 加载模型model = load_model('model_MLP.h5')## 2.预测y_new = model.predict(x_valid)## 3.反归一化min_max_scaler.fit(y_valid_pd)y_new = min_max_scaler.inverse_transform(y_new)

以表格形式对比测试集原始目标数据和预测目标数据

## 1.提取原y列的值col_vali=y_valid_pd.iloc[:,-1]y_test=col_vali.values## 2.提取预测列的值col_pre=y_new[:,-1]y_test_predict=col_pre## pare = pd.DataFrame({"原数据":y_test,"预测数据":y_test_predict})compare