当前位置：首页 > article >正文

基于Python的人工智能应用案例系列（16）：LSTM能源生产预测

article 2024/10/8 12:46:40

在本篇案例中，我们将基于来自FRED（美国联邦储备经济数据库）的电力和天然气生产指数数据进行时间序列分析和预测。该数据涵盖从1992年1月至2019年1月（共325个记录）的工业生产指数变化情况。

数据来源：

数据来自：https://fred.stlouisfed.org/series/IPG2211A2N

1. 数据加载和预处理

首先，我们使用pandas加载数据，并删除缺失值。为了便于时间序列预测，我们将数据分成训练集和测试集。

df = pd.read_csv('../data/Energy_Production.csv',index_col=0,parse_dates=True)
df.dropna(inplace=True)
print(len(df))
df.head()

2. 数据可视化

我们绘制了工业生产指数的时间序列图，展示了从1992年到2019年电力和天然气生产的变化趋势。

plt.figure(figsize=(12,4))
plt.title('Industrial Production Index for Electricity and Gas Utilities')
plt.ylabel('Index 2012=100, Not Seasonally Adjusted')
plt.grid(True)
plt.autoscale(axis='x',tight=True)
plt.plot(df['IPG2211A2N'])
plt.show()

3. 数据准备

3.1 划分训练集和测试集

我们将数据分为训练集和测试集，训练集包含313个记录，测试集包含12个记录。

y = df['IPG2211A2N'].values.astype(float)

test_size = 12
window_size = 12

train_set = y[:-test_size]
test_set  = y[-test_size:]

print(f'Train: {len(train_set)}')
print(f'Test:  {len(test_set)}')

3.2 数据归一化

为了提高模型的收敛速度，我们将训练数据归一化至[-1, 1]范围。

scaler = MinMaxScaler(feature_range=(-1, 1))
train_norm = scaler.fit_transform(train_set.reshape(-1, 1))

3.3 为LSTM准备数据

将训练数据按窗口大小分割成输入序列和对应的标签，以便输入到LSTM模型中。

def input_data(seq,ws):
    out = []
    L = len(seq)
    for i in range(L-ws):
        window = seq[i:i+ws]
        label = seq[i+ws:i+ws+1]
        out.append((window,label))
    return out

train_data = input_data(train_norm,window_size)

4. 定义LSTM模型

我们设计了一个包含64个隐藏层神经元的LSTM模型，随后添加一个全连接层来预测最终输出。

class LSTMnetwork(nn.Module):
    def __init__(self,input_size=1,hidden_size=64,output_size=1):
        super().__init__()
        self.hidden_size = hidden_size
        self.lstm = nn.LSTM(input_size,hidden_size)
        self.linear = nn.Linear(hidden_size,output_size)
        self.hidden = (torch.zeros(1,1,self.hidden_size),
                       torch.zeros(1,1,self.hidden_size))

    def forward(self,seq):
        lstm_out, self.hidden = self.lstm(
            seq.view(len(seq),1,-1), self.hidden)
        pred = self.linear(lstm_out.view(len(seq),-1))
        return pred[-1]

我们使用均方误差（MSE）作为损失函数，Adam优化器进行优化。

criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

5. 模型训练

我们训练模型50个周期，并在每个周期重置LSTM的隐藏状态。

epochs = 50
for i in range(epochs):
    for seq, y_train in train_data:
        optimizer.zero_grad()
        model.hidden = (torch.zeros(1,1,model.hidden_size),
                        torch.zeros(1,1,model.hidden_size))
        y_pred = model(seq)
        loss = criterion(y_pred, y_train)
        loss.backward()
        optimizer.step()

6. 模型评估和测试集预测

我们使用训练后的模型对未来12个月的电力和天然气生产进行预测，并将预测结果与实际测试数据进行比较。

future = 12
preds = train_norm[-window_size:].tolist()

model.eval()
for i in range(future):
    seq = torch.FloatTensor(preds[-window_size:])
    with torch.no_grad():
        model.hidden = (torch.zeros(1,1,model.hidden_size),
                        torch.zeros(1,1,model.hidden_size))
        preds.append(model(seq).item())

通过逆归一化恢复原始数据范围，并将预测结果与实际数据进行可视化比较。

true_predictions = scaler.inverse_transform(np.array(preds[window_size:]).reshape(-1, 1))

x = np.arange('2018-02-01', '2019-02-01', dtype='datetime64[M]').astype('datetime64[D]')

plt.figure(figsize=(12,4))
plt.title('Industrial Production Index for Electricity and Gas Utilities')
plt.ylabel('Index 2012=100, Not Seasonally Adjusted')
plt.grid(True)
plt.autoscale(axis='x',tight=True)
plt.plot(df['IPG2211A2N'])
plt.plot(x,true_predictions)
plt.show()