LSTM实现天气模型训练与预测
要实现一个天气预测的模型，并确保该模型可以反复进行训练和更新，先设计：
设计方案
-
数据获取：
- 使用公开的天气数据API（例如OpenWeather API或其他类似的API）获取天气数据。
- 确保数据以合适的格式（如CSV或JSON）进行存储和处理，数据应该包含时间戳、温度、湿度、降水量等字段。
-
数据预处理：
- 对天气数据进行清洗，包括处理缺失值、异常值、日期时间格式处理等。
- 将数据转化为适合机器学习模型训练的格式，进行特征工程（如标准化、归一化等）。
-
模型选择：
- 使用时间序列预测模型（如ARIMA、Prophet）或机器学习模型（如Random Forest、XGBoost等）来进行天气预测。
- 如果需要处理多种特征（如温度、湿度等），可以选择集成方法或深度学习模型（如LSTM、GRU等）。
-
训练与评估：
- 将数据分为训练集和测试集，进行模型训练，并使用交叉验证等方法来评估模型性能。
- 训练后保存模型（可以使用joblib、pickle等工具）以便反复使用。
-
模型更新：
- 定期获取新的数据并用其进行模型更新。
- 需要设置定时任务，自动下载新数据并更新模型。
详细实现
以下是设计后的方案和代码：
项目文件夹结构
weather-prediction/
├── data/
│ ├── raw/ # 原始天气数据文件
│ ├── processed/ # 预处理后的数据文件
│ └── model/ # 存储训练好的模型
├── scripts/
│ ├── download_weather_data.py # 下载天气数据并保存为CSV
│ ├── preprocess_data.py # 数据预处理脚本
│ ├── train_model.py # 训练LSTM模型脚本
│ ├── continue_training.py # 持续训练脚本
│ └── predict_weather.py # 预测天气脚本
├── models/
│ ├── weather_lstm_model.h5 # 保存的LSTM模型
└── requirements.txt # 项目依赖包
详细步骤
- 下载天气数据脚本（
download_weather_data.py）：从API获取并保存到CSV文件。 - 数据预处理脚本（
preprocess_data.py）：加载CSV，处理数据并保存为标准格式。 - 训练模型脚本（
train_model.py）：使用LSTM模型进行训练并保存模型。 - 持续训练脚本（
continue_training.py）：加载已保存的模型，使用新数据进行模型更新。 - 预测天气脚本（
predict_weather.py）：使用训练好的模型进行天气预测。
1. 下载天气数据并保存到CSV文件（download_weather_data.py）
import requests
import pandas as pd
import os
from datetime import datetime
# 下载天气数据
def fetch_weather_data(api_key, city="Beijing"):
url = f"http://api.openweathermap.org/data/2.5/forecast?q={city}&appid={api_key}&units=metric"
response = requests.get(url)
data = response.json()
weather_data = []
for item in data['list']:
weather_data.append({
"datetime": item['dt_txt'],
"temperature": item['main']['temp'],
"humidity": item['main']['humidity'],
"pressure": item['main']['pressure'],
"wind_speed": item['wind']['speed'],
"rain": item.get('rain', {}).get('3h', 0)
})
df = pd.DataFrame(weather_data)
return df
def save_weather_data_to_csv(df, filename="../data/raw/weather_data.csv"):
if not os.path.exists(os.path.dirname(filename)):
os.makedirs(os.path.dirname(filename))
df.to_csv(filename, index=False)
print(f"Weather data saved to {filename}")
def main():
api_key = "your_openweather_api_key"
city = "Beijing"
df = fetch_weather_data(api_key, city)
save_weather_data_to_csv(df)
if __name__ == "__main__":
main()
2. 数据预处理脚本（preprocess_data.py）
import pandas as pd
from sklearn.preprocessing import StandardScaler
import os
def load_data(filename="../data/raw/weather_data.csv"):
df = pd.read_csv(filename)
df['datetime'] = pd.to_datetime(df['datetime'])
return df
def preprocess_data(df):
# 时间特征处理
df['hour'] = df['datetime'].dt.hour
df['day'] = df['datetime'].dt.dayofweek
df['month'] = df['datetime'].dt.month
df['year'] = df['datetime'].dt.year
# 特征选择
features = ['temperature', 'humidity', 'pressure', 'wind_speed', 'rain', 'hour', 'day', 'month', 'year']
df = df[features]
# 标准化特征
scaler = StandardScaler()
df[features] = scaler.fit_transform(df[features])
return df, scaler
def save_processed_data(df, filename="../data/processed/processed_weather_data.csv"):
df.to_csv(filename, index=False)
print(f"Processed data saved to {filename}")
def main():
df = load_data()
processed_data, scaler = preprocess_data(df)
save_processed_data(processed_data)
return scaler
if __name__ == "__main__":
main()
3. 训练LSTM模型脚本（train_model.py）
import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from sklearn.model_selection import train_test_split
import os
def load_processed_data(filename="../data/processed/processed_weather_data.csv"):
return pd.read_csv(filename)
def prepare_lstm_data(df, time_steps=10):
X, y = [], []
for i in range(time_steps, len(df)):
X.append(df.iloc[i-time_steps:i, :-1].values) # 选择过去的时间步作为特征
y.append(df.iloc[i, 0]) # 预测当前温度
X, y = np.array(X), np.array(y)
return X, y
def create_lstm_model(input_shape):
model = Sequential([
LSTM(50, return_sequences=True, input_shape=input_shape),
Dropout(0.2),
LSTM(50, return_sequences=False),
Dropout(0.2),
Dense(1)
])
model.compile(optimizer='adam', loss='mean_squared_error')
return model
def train_model(X, y):
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = create_lstm_model((X_train.shape[1], X_train.shape[2]))
model.fit(X_train, y_train, epochs=20, batch_size=32, validation_data=(X_test, y_test))
return model
def save_model(model, filename="../models/weather_lstm_model.h5"):
if not os.path.exists(os.path.dirname(filename)):
os.makedirs(os.path.dirname(filename))
model.save(filename)
print(f"Model saved to {filename}")
def main():
df = load_processed_data()
X, y = prepare_lstm_data(df)
model = train_model(X, y)
save_model(model)
if __name__ == "__main__":
main()
4. 持续训练脚本（continue_training.py）
import tensorflow as tf
import pandas as pd
from train_model import load_processed_data, prepare_lstm_data, create_lstm_model, save_model
import os
def load_model(filename="../models/weather_lstm_model.h5"):
return tf.keras.models.load_model(filename)
def continue_training(model, df, time_steps=10):
X, y = prepare_lstm_data(df, time_steps)
model.fit(X, y, epochs=10, batch_size=32)
return model
def main():
df = load_processed_data()
model = load_model()
updated_model = continue_training(model, df)
save_model(updated_model)
if __name__ == "__main__":
main()
5. 预测天气脚本（predict_weather.py）
import tensorflow as tf
import pandas as pd
from train_model import prepare_lstm_data
def load_model(filename="../models/weather_lstm_model.h5"):
return tf.keras.models.load_model(filename)
def predict_weather(model, df, time_steps=10):
X, _ = prepare_lstm_data(df, time_steps)
predictions = model.predict(X)
return predictions
def main():
df = pd.read_csv("../data/processed/processed_weather_data.csv")
model = load_model()
predictions = predict_weather(model, df)
print(predictions)
if __name__ == "__main__":
main()
6. 依赖文件（requirements.txt）
pandas
numpy
scikit-learn
tensorflow
requests
代码说明
-
下载天气数据并保存：
download_weather_data.py脚本从OpenWeather API获取数据并保存为CSV文件。
-
数据预处理：
preprocess_data.py脚本进行数据清洗、标准化以及特征处理，保存为预处理过的CSV文件。
-
训练LSTM模型：
train_model.py通过使用过去的时间序列数据来训练LSTM模型，并保存模型。
-
持续训练：
continue_training.py脚本加载已保存的模型，并继续使用新数据进行训练。
-
预测天气：
predict_weather.py加载训练好的模型并对新数据进行天气预测。
没有谁生来就是优秀的人，你可以不优秀，但是不可以失去动力，不求上进，只会荒废一生。