---

视频

【讲解】ARIMA、XGBOOST、PROPHET和LSTM预测比特币价格

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

---

视频

Python比赛讲解LightGBM、XGBoost+GPU和CatBoost预测学生在游戏学习过程表现

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

---

视频

【视频讲解】Python深度学习股价预测、量化交易策略：LSTM、GRU深度门控循环神经网络附代码数据

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

---

视频

【视频讲解】神经网络、Lasso回归、线性回归、随机森林、ARIMA股票价格时间序列预测

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

---

视频

Lasso回归、岭回归等正则化回归数学原理及R语言实例

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

---

视频

从决策树到随机森林：R语言信用卡违约分析信贷数据实例

探索见解 ➜

去bilibili观看 ➜

探索更多视频 ➜

（二）参数调整

1. 手动调参：在模型训练过程中，需要在欠拟合和过拟合之间进行调试，以找到最优的参数设置。通过不断尝试不同的参数值，观察模型在训练集和测试集上的表现，来确定合适的参数范围。
2. 自动调参：
   • 网格搜索（Grid Search）：对于一些关键参数，我们采用网格搜索的方法进行自动调参。例如，对于某个参数，我们设定搜索范围为 [0, 2, 4, 6, 8]，通过遍历这些参数值，找到使模型性能最优的参数组合。
   • 随机搜索（Random Search）：除了网格搜索，我们还使用了随机搜索的方法。对于一组参数，我们设定搜索范围为 [1.3, 6.5, 3.2, 7.5, 0.1]，通过随机抽取这些参数值进行组合，来寻找最优的参数设置。我们使用了 gridsearchcv 包来实现自动调参功能，它可以方便地对不同的参数组合进行评估和比较，从而提高调参的效率和准确性。
   • （三）评估指标
   • 本项目采用均方根误差（RMSLE）作为模型评估的指标。均方根误差的计算公式为：
   • 通过计算均方根误差，我们可以定量地评估模型的预测性能，误差越小，说明模型的预测效果越好。
   • 通过对不同模型的训练、调参和评估，我们期望找到最适合共享单车需求量预测的模型和参数设置，为共享单车的运营管理提供准确的预测结果，帮助运营者更好地规划车辆投放、调度等工作，提高用户满意度和运营效率。

基于循环神经网络的共享单车使用量预测|附数据代码

摘要：本论文聚焦于利用循环神经网络（RNN）及其变体长短时记忆网络（LSTM）和门控循环单元（GRU）对共享单车使用量进行预测。通过对数据集的深入处理、模型构建与训练，以及对模型性能的评估与比较，得出了具有实际应用价值的结论。

一、引言

在当今城市交通体系中，共享单车作为一种便捷的出行方式，其使用量的准确预测对于优化资源配置和提升运营效率具有重要意义。循环神经网络及其变体在处理时间序列数据方面展现出了卓越的能力，为共享单车使用量的预测提供了有效的方法。

二、数据准备与预处理

（一）数据加载

data = pd.read_csv('g - dataset/hour.csv')

使用 pandas 库的 read_csv 函数加载共享单车数据集，为后续的分析提供数据基础。

（二）数据预处理

data['dteday'] = pd.to_datetime(data['dteday'])data.set_index('dteday', inplace=True)

将数据集中的 dteday 列转换为日期时间类型，并将其设置为索引，以便进行时间序列分析。

（三）特征选择

features = ['season', 'yr','mnth', 'hr', 'holiday', 'weekday', 'workingday', 'weathersit', 'temp', 'atemp', 'hum', 'windspeed']target = 'cnt'

明确与共享单车使用量相关的特征，将 cnt 列确定为预测目标。

（四）数据归一化

scaler = MinMaxScaler()data[features] = scaler.fit_transform(data[features])

运用 MinMaxScaler 对选定的特征进行归一化处理，使各特征的数值处于相似范围，有助于模型的训练和收敛。

三、数据划分与格式化

（一）数据划分

train_size = int(len(data) * 0.8)train_data, test_data = data[:train_size], data[train_size:]

按照 80% 和 20% 的比例将数据集划分为训练集和测试集，用于模型的训练和评估。

（二）时间序列数据格式化

import numpy as npdef create_dataset(data, time_step = 1):    X, Y = [], []    for i in range(len(data) - time_step - 1):        X.append(data.iloc[i:(i + time_step)][features].values)        Y.append(data.iloc[i + time_step][target])    return np.array(X), np.array(Y)time_step = 24  X_train, y_train = create_dataset(train_data, time_step)X_test, y_test = create_dataset(test_data, time_step)

定义 create_dataset 函数，通过滑动窗口的方式将数据转换为适合时间序列预测的格式。以过去 time_step（这里设置为 24）个时间步的特征作为输入 X，下一个时间步的目标值作为输出 Y。然后，分别使用训练集和测试集生成相应的输入和输出数据。# 打印训练集和测试集的形状信息print("Shape of X_train:", X_train.shape)print("Shape of X_test:", X_test.shape)# 计算训练集和测试集的样本数量、时间步长和特征数量num_samples_train, time_steps_train, num_features_train = X_train.shapenum_samples_test, time_steps_test, num_features_test = X_test.shape# 验证计算结果expected_elements_train = num_samples_train * time_steps_train * num_features_trainexpected_elements_test = num_samples_test * time_steps_test * num_features_testprint("Number of samples in X_train:", num_samples_train)print("Number of time steps in X_train:", time_steps_train)print("Number of features in X_train:", num_features_train)print("Number of samples in X_test:", num_samples_test)print("Number of time steps in X_test:", time_steps_test)print("Number of features in X_test:", num_features_test)# 验证元素总数是否符合预期print("Expected total number of elements in X_train:", expected_elements_train)print("Expected total number of elements in X_test:", expected_elements_test)

打印并分析训练集和测试集的形状及相关参数，确保数据的维度符合预期，为后续模型的输入提供准确的信息。

# 调整数据形状X_train = X_train.reshape(X_train.shape[0], time_step, len(features))X_test = X_test.reshape(X_test.shape[0], time_step, len(features))

将训练集和测试集的数据形状调整为 [samples, time steps, features]，以满足模型的输入要求。

四、模型构建与训练

（一）模型定义

rnn_model = Sequential()rnn_model.add(SimpleRNN(50, activation='relu', input_shape=(time_step, len(features))))rnn_model.add(Dense(1))rnn_model.compile(optimizer='adam', loss='mse')lstm_model = Sequential()lstm_model.add(LSTM(50, activation='relu', input_shape=(time_step, len(features))))lstm_model.add(Dense(1))lstm_model.compile(optimizer='adam', loss='mse')gru_model = Sequential()gru_model.add(GRU(50, activation='relu', input_shape=(time_step, len(features))))gru_model.add(Dense(1))gru_model.compile(optimizer='adam', loss='mse')

分别构建简单循环神经网络（RNN）、长短时记忆网络（LSTM）和门控循环单元（GRU）模型。每个模型都包含一个隐藏层，神经元数量为 50，激活函数为 relu，输入形状根据时间步长和特征数量确定，输出层为一个神经元，使用均方误差（MSE）作为损失函数，adam 优化器进行优化。

（二）模型训练

rnn_model.fit(X_train, y_train, epochs = 50, batch_size = 32, validation_split = 0.2)lstm_model.fit(X_train, y_train, epochs = 50, batch_size = 32, validation_split = 0.2)gru_model.fit(X_train, y_train, epochs = 50, batch_size = 32, validation_split = 0.2)

使用训练集对三个模型进行训练，设置训练轮数为 50，批次大小为 32，并使用 20% 的训练数据作为验证集。通过训练，模型不断调整权重以优化预测性能。

五、模型评估与比较

（一）模型评估指标计算

---

随时关注您喜欢的主题

订阅公众号

---

利用 matplotlib 库绘制测试集的真实值与三个模型的预测值曲线，直观地比较不同模型的预测效果。