如何应用 LSTM 预测停车可用性

Question

我是循环神经网络的新手，我必须应用 LSTM (KERAS) 从我的数据集中预测停车可用性。我有一个具有两个特征的数据集，时间戳（Y-M-D H-M-S）和停车可用性（免费停车位的数量）。从上午 00:03 到下午 23:58（每天 188 个样本），每 5 分钟对停车可用性进行采样，持续时间为 25 周。我需要一些帮助来了解如何应用 LSTM（选择什么时间步长）。

Answer 1

您似乎想了解如何使用您的数据集并在其上应用 LSTM 以从您的数据中获取一些有意义的信息。

现在您可以在这里重新构建您的数据集，以从您当前的数据集中创建更多特征，例如。

可以从数据中导出的特征

1. 每月取出日期（1-31 是哪一天）
2. 每月的第几周（每月的第 1-4 周）
3. 星期几（周一至周六）
4. 现在几点了（188 中可以取任意值）

可以从开源数据中添加的功能

1. 今天是什么天气
2. 附近有假期吗（下一个假期/活动等的剩余天数）

现在让我们假设您的数据中的每一行都有 K 个特征，并且您有一个目标，您必须预测哪些是可用的停车位。 P(#parking_space|X)

现在只需在创建模型时将您的时间步长作为一个变量，并将您的数据从 X.shape-->(Examples, Features) 重塑为 X.shape-->(examples,Timesteps,Features) 格式。您可以使用下面的代码并定义自己的look_back

这里你的架构将是多对多的，Tx=Ty

def create_dataset_many_to_many(dataset,look_back=70):
    data_timestamp=[]
    for i in range(len(dataset)-look_back):
        data_timestamp.append(dataset[i:i+look_back])
        if i%1000==0:
            print(i)
    return np.array(data_timestamp)

现在您可以构建模型了

import tensorflow as tf

import matplotlib.pyplot as plt
# Importing pandas
import pandas as pd
# Importing keras model
from tensorflow.keras.models import Model
# Importing layers like input and dense
from tensorflow.keras.layers import Dense, Input,LSTM,Dropout
#importing train test split
from sklearn.model_selection import train_test_split

class Lstm_model(tf.keras.Model):
    def __init__(self, **kwargs):
        super(Lstm_model, self).__init__()   
        self.Lstm1 = tf.keras.layers.LSTM(32,return_sequences=True)
        self.Lstm2 = tf.keras.layers.LSTM(32,return_sequences=True) 
        self.Regressor = tf.keras.layers.Dense(1, )

    def call(self, inputs):

        input_A=inputs
        x = self.Lstm1(input_A)
        x = self.Lstm2(x)
        pred = self.Regressor(x) 
        
        return  pred

lstms_ = Lstm_model()
lstms_.compile(optimizer='adam', loss=tf.keras.losses.MeanSquaredError())
lstms_.fit(X,Y, epochs=50)

这只是您如何制作模型的一瞥。