1.4　动手练习：每日最高温度预测

为了让广大读者更好地理解和认识深度学习以及PyTorch框架的实施，本节先介绍一个每日最高温度预测的例子，供后续学习参考。

1．说明

本实例利用PyTorch中的神经网络模型，对北京市2021年6月份的气温进行建模，并将数据存储在temps.csv文件中，主要字段如表1-2所示。

2．步骤

具体的实现步骤如下：

导入Python中相关的第三方库，代码如下：

import torch
import numpy as np
import pandas as pd
import datetime
import matplotlib
import matplotlib.pyplot as plt
from matplotlib.pyplot import MultipleLocator
from sklearn import preprocessing

读取本地离线文件数据源数据，代码如下：

features = pd.read_csv('./temps.csv')
labels = np.array(features['actual'])
features = features.drop('actual', axis=1)
feature_list = list(features.columns)

为了提升模型的准确率，首先需要对数据进行格式转换与标准化处理，代码如下：

    features = np.array(features)
    input_features =
preprocessing.StandardScaler().fit_transform(features)

设置神经网络模型的网络结构，代码如下：

input_size = input_features.shape[1]
hidden_size = 128
output_size = 1
batch_size = 16
my_nn = torch.nn.Sequential(
    torch.nn.Linear(input_size, hidden_size),
    torch.nn.Sigmoid(),
    torch.nn.Linear(hidden_size, output_size),
)

定义神经网络模型的损失函数与优化器，代码如下：

cost = torch.nn.MSELoss(reduction='mean')
optimizer = torch.optim.Adam(my_nn.parameters(), lr=0.001)

训练神经网络模型，代码如下：

    losses = []
    for i in range(500):
        batch_loss = []
        for start in range(0, len(input_features), batch_size):
            end = start + batch_size if start + batch_size < len(input_features)
else len(input_features)
            xx = torch.tensor(input_features[start:end], dtype=torch.float,
requires_grad=True)
            yy = torch.tensor(labels[start:end], dtype=torch.float,
requires_grad=True)
            prediction = my_nn(xx)
        loss = cost(prediction, yy)
        optimizer.zero_grad()
        loss.backward(retain_graph=True)
        optimizer.step()
        batch_loss.append(loss.data.numpy())

    if i % 100 == 0:
        losses.append(np.mean(batch_loss))
        print(i, np.mean(batch_loss), batch_loss)

x = torch.tensor(input_features, dtype=torch.float)
predict = my_nn(x).data.numpy()

转换数据集中的日期格式，代码如下：

    months = features[:, feature_list.index('month')]
    days = features[:, feature_list.index('day')]
    years = features[:, feature_list.index('year')]
    dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for
year, month, day in zip(years, months, days)]
    dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]
    true_data = pd.DataFrame(data={'date': dates, 'actual': labels})
    test_dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day))
for year, month, day in zip(years, months, days)]
    test_dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in
test_dates]
    predictions_data = pd.DataFrame(data={'date': test_dates, 'prediction':
predict.reshape(-1)})

使用Matplotlib库绘制日最高温度的散点图，代码如下：

    matplotlib.rc("font", family='SimHei')
    plt.figure(figsize=(12, 7), dpi=160)
    plt.plot(true_data['date'], true_data['actual'], 'b+', label='真实值')
    plt.plot(predictions_data['date'], predictions_data['prediction'],
'r+', label='预测值',marker='o')
    plt.xticks(rotation='30',size=15)
    plt.ylim(0,50)
    plt.yticks(size=15)
x_major_locator=MultipleLocator(3)
y_major_locator=MultipleLocator(5)
ax=plt.gca()
ax.xaxis.set_major_locator(x_major_locator)
ax.yaxis.set_major_locator(y_major_locator)
plt.legend(fontsize=15)

plt.ylabel('日最高温度',size=15)
plt.show()

3．小结

本实例使用PyTorch中的神经网络模型，通过绘制散点图的方式对2021年6月份北京市的日最高温度进行预测。

运行上述每日温度预测模型的代码，输出真实值和预测值的散点图，如图1-19所示。