计算机毕设+短时交通流LSTM+flask

import datetime import numpy as np import pandas as pd import math from matplotlib.dates import HourLocator, MinuteLocator from sklearn.preprocessing import MinMaxScaler from keras.models import load_model import sklearn.metrics as metrics import matplotlib as mpl import matplotlib.pyplot as plt ''' 此代码绘制在静态时间步、动态时间步的数据预测效果 ''' # 数据归一化 def normalize_data(data, flow_scaler, avg_kph_scaler): data["Flow"] = flow_scaler.transform(data["Flow"].values.reshape(-1, 1)) data["Avg kph"] = avg_kph_scaler.transform(data["Avg kph"].values.reshape(-1, 1)) return data # 反向归一化 def denormalize_data(data, scaler): data = scaler.inverse_transform(data.reshape(-1, 1)).reshape(1, -1)[0] return data # 添加时间滞后值以构建模型输入特征 def input_features(data): lag = 48 #1h->4;24h->96 控制时间步 train, test = [], [] # print(len(data)*0.8) for i in range(lag, len(data)): if i < 14109: # 0.8->14105-> 5.19 23:30 train.append(data[i - lag: i + 1]) else: test.append(data[i - lag: i + 1]) train = np.array(train) test = np.array(test) # 设置模型的输入输出 x_train = train[:, :-1, [0, 1]] # select Flow and Avg kph as input features y_train = train[:, -1, [0]] # select Flow as output x_test = test[:, :-1, [0, 1]] # select Flow and Avg kph as input features y_test = test[:, -1, [0]] # select Flow as output return x_train, y_train, x_test, y_test #绘图 # 静态时间步 def plot_LSTM_oneDay(y_true, y_pred): # 定义日期字符串 d，表示起始时间点 d = '2019-05-20 00:00' # 使用 Pandas 库生成一个包含 864（3天） 个时间点的时间序列，频率为每 15 分钟一个时间点 x = pd.date_range(d, periods=864, freq='5min') # 创建一个大小为 20x10 的画布 fig = plt.figure(figsize=(20, 10)) # 在画布中添加一个子图 ax = fig.add_subplot(111) # 在子图中绘制真实值的折线，标签为 'True Data' ax.plot(x, y_true, label='True') # 对于模型预测的每个结果，绘制其预测值的折线，标签为模型的名称 for name, y_pred in zip(['LSTM'], y_preds): ax.plot(x, y_pred[: 864], label=name) # 在图形中添加图例 plt.legend(fontsize=17) plt.grid(True) # 设置横轴刻度文字大小为17 plt.xticks(fontsize=17) # 设置纵轴刻度文字大小为17 plt.yticks(fontsize=17) # 设置标签文字大小为18 plt.xlabel('Time', fontsize=18) plt.ylabel('Flow', fontsize=18) # 将横轴的时间数据格式化为小时:分钟的形式 date_format = mpl.dates.DateFormatter("%H:%M") # 自动调整横轴标签的显示方式，避免标签重叠 ax.xaxis.set_major_formatter(date_format) fig.autofmt_xdate() plt.xlim(pd.Timestamp(d), pd.Timestamp('2019-05-23 00:00')) plt.ylim(0) fig.savefig('LSTM_static_3Day.png') plt.show() def plot_GRU_oneDay(y_true, y_pred): # 定义日期字符串 d，表示起始时间点 d = '2019-05-20 00:00' # 使用 Pandas 库生成一个包含 864（3天） 个时间点的时间序列，频率为每 15 分钟一个时间点 x = pd.date_range(d, periods=864, freq='5min') # 创建一个大小为 20x10 的画布 fig = plt.figure(figsize=(20, 10)) # 在画布中添加一个子图 ax = fig.add_subplot(111) # 在子图中绘制真实值的折线，标签为 'True Data' ax.plot(x, y_true, label='True') # 对于模型预测的每个结果，绘制其预测值的折线，标签为模型的名称 for name, y_pred in zip(['GRU'], y_preds): ax.plot(x, y_pred[: 864], label=name) # 在图形中添加图例 plt.legend(fontsize=17) plt.grid(True) # 设置横轴刻度文字大小为17 plt.xticks(fontsize=17) # 设置纵轴刻度文字大小为17 plt.yticks(fontsize=17) # 设置标签文字大小为18 plt.xlabel('Time', fontsize=18) plt.ylabel('Flow', fontsize=18) # 将横轴的时间数据格式化为小时:分钟的形式 date_format = mpl.dates.DateFormatter("%H:%M") # 自动调整横轴标签的显示方式，避免标签重叠 ax.xaxis.set_major_formatter(date_format) fig.autofmt_xdate() plt.xlim(pd.Timestamp(d), pd.Timestamp('2019-05-23 00:00')) plt.ylim(0) fig.savefig('GRU_static_3Day.png') plt.show() # 动态时间步 def plot_LSTM_GRU_dynamic_oneDay(df1): # df1["datetime (Veh/5 Minutes)", "True", "LSTM", "GRU"] # 绘制折线图 d = '2019-05-20 00:00' # 使用 Pandas 库生成一个包含 145 个时间点的时间序列，频率为每 5 分钟一个时间点 x = pd.date_range(d, periods=145, freq='5min') fig = plt.figure(figsize=(20, 10)) ax = fig.add_subplot(111) ax.plot(x, df1["True"], label='True') ax.plot(x, df1["LSTM"], label='LSTM') ax.plot(x, df1["GRU"], label='SVR') plt.legend(fontsize=17) plt.grid(True) # 设置横轴刻度文字大小为17 plt.xticks(fontsize=17) # 设置纵轴刻度文字大小为17 plt.yticks(fontsize=17) # 设置标签文字大小为18 plt.xlabel('Time', fontsize=18) plt.ylabel('Flow', fontsize=18) # 将横轴的时间数据格式化为小时:分钟的形式 date_format = mpl.dates.DateFormatter("%H:%M") # 自动调整横轴标签的显示方式，避免标签重叠 ax.xaxis.set_major_formatter(date_format) fig.autofmt_xdate() # 设置x轴范围 plt.xlim(pd.Timestamp('2019-05-20 00:00'), pd.Timestamp('2019-05-20 12:00')) plt.ylim(0) fig.savefig('LSTM_GRU_dynamic_12H.png') plt.show() if __name__ == '__main__': # 读入数据 df = pd.read_csv("./build_model/data/output_test_data_expand.csv", parse_dates=["datetime (Veh/5 Minutes)"], index_col="datetime (Veh/5 Minutes)") # 分别对两个特征Flow、Avg kph使用不同的归一化器进行归一化 flow_scaler = MinMaxScaler(feature_range=(0, 1)).fit(df["Flow"].values.reshape(-1, 1)) avg_kph_scaler = MinMaxScaler(feature_range=(0, 1)).fit(df["Avg kph"].values.reshape(-1, 1)) #使用定义好的归一化器归一化数据 df = normalize_data(df, flow_scaler, avg_kph_scaler) # 添加时间滞后值以构建模型输入特征 x_train, y_train, x_test, y_test = input_features(df) # 装载模型以用于评估模型性能和绘图 # 分开绘图 lstm = load_model('./build_model/out_h5/LSTM.h5') gru = load_model('./build_model/out_h5/GRU.h5') models = [gru] #lstm,gru names = ['SVR'] #'LSTM','GRU' y_test = denormalize_data(y_test, flow_scaler) y_preds = [] for name, model in zip(names, models): x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 2)) predicted = model.predict(x_test) predicted = denormalize_data(predicted, flow_scaler) y_preds.append(predicted) print(name) # print(y_test[: 288]) # 定位app.py预测数据点位14109 # 分别调用模型去绘制两幅图结合两种模型绘制静态数据三天 # plot_LSTM_oneDay(y_test[: 864], y_preds[: 864]) # 三天的静态时间步预测， plot_GRU_oneDay(y_test[: 864], y_preds[: 864]) # 三天的静态时间步预测 # 绘图应该使用动态时间步生成的数据与原始存在的数据做对比 #动态数据一幅分图绘制一天 # df_dynamic = pd.read_csv('merged_file.csv') # plot_LSTM_GRU_dynamic_oneDay(df_dynamic) # plot_GRU_dynamic_oneDay(df_dynamic)