lstm算法构建的车流量预测模型.zip

# roadTrafficForcast ## 1、项目架构介绍 ### 1.1、基本架构 `\roadTrafficForcast 根目录 +--readme.md 提示文档 +--code/ 主要代码 +--dataClean/ 清洗代码 +--graphs/ 绘图 +--model/ 模型代码 +--Traffic_Data/ 数据 +--images/ 其他图像 +--venv/ +--webapp/ flask框架根目录 +--data/ 演示用数据，与前面同名数据一致 +--model/ 训练输出模型，供flask项目调用 +--static/ flask项目静态数据 +--templates/ 页面模板` ### 1.2、详细架构 `\roadTrafficForcast 根目录 +--readme.md 提示文档 +--code/ 主要代码 +--dataClean/ 清洗代码 +--dataClean.py 数据清洗代码 +--data_expand.py 数据扩充代码 +--Scatter.py 判断数据字段相关性代码 +--graphs/ 绘图 +--concreate.py 将lstm、gru预测数据与真实数据Flow合并 +--data_out.py 动态时间步生成的lstm、gru预测数据 +--Flow-vs-Avg_kph.png 判断数据字段相关性代码输出的图像 +--GRU_static_3Day.png GRU静态时间步三日预测图 +--LSTM_GRU_dynamic_12H.png LSTM、GRU动态时间步12小时预测图 +--LSTM_static_3Day.png LSTM静态时间步三日预测图 +--merged_file.csv concreate.py输出的合并文件 +--model_graph.py 绘制图像 +--result.csv data_out.py输出的文件 +--model/ 模型代码 +--model_param.py 交叉验证获取模型参数（模型修改迭代后忘了更新，可能不可用） +--model_train.py 模型训练代码 +--Traffic_Data/ 数据 +--DailyStandard_Report_1_8978_01_04_2019_31_05_2019.csv 原始数据 +--output_test_data.csv 清洗输出数据 +--output_test_data_expand.csv 扩充输出数据 +--images/ 其他图像 +--GRU.png +--LSTM.png +--other/ +--venv/ +--webapp/ flask框架根目录 +--app.py 用于演示静态时间步预测效果 +--appDemo.py 用于演示动态时间步预测效果 +--Procfile +--data/ 演示用数据，与前面同名数据一致 +--output_test_data_expand.csv 扩充输出数据 +--output_test_data_expand_Demo.csv 扩充输出数据，用于演示动态时间步 +--model/ 训练输出模型，供flask项目调用 +--GRU.h5 +--GRU_loss.csv +--LSTM.h5 +--LSTM_loss.csv +--static/ flask项目静态数据 +--GRU_static_3Day.png +--logo.png +--LSTM_GRU_dynamic_12H.png +--LSTM_static_3Day.png +--templates/ 页面模板 +--index.html` ## 2、环境及外部库要求（仅展示主要的库,完整库请看requirements.txt文档） `python3.11 Flask 2.2.3 keras 2.12.0rc1 matplotlib 3.7.1 numpy 1.24.2 pandas 2.0.1 pip 23.0.1 requests 2.28.2 scikit-learn 1.2.2 tensorflow 2.12.0rc1 tensorflow-estimator 2.12.0rc0 tensorflow-intel 2.12.0rc1 tensorflow-io-gcs-filesystem 0.31.0 ` ## 3、代码执行流程介绍 ### 3.1、整体流程 ```mermaid graph LR; 原始数据清洗-->模型构建,训练-->评估 评估-->flask框架搭建-->调用模型-->演示预测 扩充数据-->调用模型 原始数据清洗-->扩充数据 扩充数据-->模型构建,训练 ``` ### 3.2、清洗代码 ```mermaid graph LR; 原始数据-->dataClean.py-->输出清洗数据out_put_test_data.csv 输出清洗数据out_put_test_data.csv-->判断数据字段相关性Scatter.py 输出清洗数据out_put_test_data.csv-->扩充数据data_expand.py-->判断数据字段相关性Scatter.py ``` ### 3.3、模型训练及评估 ```mermaid graph LR; 扩充数据-->模型构建,交叉验证获得最佳模型参数model_param.py-->训练模型-->评估模型 清洗数据-->模型构建,交叉验证获得最佳模型参数model_param.py 评估模型-->绘制静态时间步预测结果图 ``` ### 3.4、预测 ```mermaid graph LR; 扩充数据-->静态时间步演示预测结果app.py-->演示预测 扩充数据-->动态时间步演示预测结果appDemo.py-->演示预测 扩充数据-->动态时间步预测结果用于绘图data_out.py-->合并真实数据concreate.py-->绘制动态时间步预测结果图 ``` ## 4、其他说明 ### 4.1、数据说明 &ensp;&ensp;&ensp;&ensp;生成的同名数据文件内容相同，../webapp/data/output_test_data_expand_Demo.csv以及../../webapp/data/output_test_data_expand_Demo.csv路径下的数据会根据预测结果动态扩充。 ```python for i in range(lag, len(data)): if i < 14105: # 0.8->4703 # 这行代码使得数据从2019-05-20 00:00开始变成测试集 #并且该代码会影响绘图效果，因为预测数据和真实数据之间产生了位移 train.append(data[i - lag: i + 1]) else: test.append(data[i - lag: i + 1]) ``` ### 4.2、代码说明 ```python # model_graph.py lstm = load_model('../../webapp/model/LSTM.h5') gru = load_model('../../webapp/model/GRU.h5') # models以及names参数建议每次仅输入gru或lstm的一个，否则会导致绘制的图像使用的是同一个模型，这个bug我就不修改了 models = [gru] #lstm, names = ['GRU'] #'LSTM', 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]) ```