基于CNN-LSTM混合网络的精细化小时级天气预测源码

基于CNN_A_LSTM的小时天气预测 Python Python 共26个文件 jpg: 11 py: 8 png: 4 md: 2 csv: 1 基于CNN_A_LSTM的小时天气预测 基于CNN_A_LSTM的小时天气预测 介绍 基于CNN_A_LSTM的小时天气预测 文件 用途 code目录 代码 Houston.csv 数据集 util.py 工具类 基于深度学习的小时天气预测(温度单步预测) 基于torch框架完成 模型 参数 RNN 神经元个数=32 步长=24 LSTM 神经元个数=32 步长=24 GRU 神经元个数=64 步长=24 CNN_LSTM 神经元个数=64 步长=24 CNN_A_LSTM 神经元个数=64 步长=24 缺失值处理 插值填充 df = df.interpolate() weather数值化 label_encoder = LabelEncoder() df['weather'] = label_encoder.fit_transform(df['weather']) category_mapping = dict(zip(label_encoder.classes_, label_encoder.transform(label_encoder.classes_))) 数据格式处理 因需要预测未来一小时天气（时间序列单步预测），基于滑动窗口的方式对数据格式进行处理： def create_sliding_window(data, window_size): window_data = [] for i in range(len(data) - window_size): window = data[i:i + window_size] target = data[i + window_size][2] window_data.append((window, target)) return window_data RNN实现 class RNN(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(LSTMModel, self).__init__() self.hidden_size = hidden_size self.lstm = nn.RNN(input_size, hidden_size) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): lstm_out, _ = self.lstm(x) output = self.fc(lstm_out[:, -1, :]) return output LSTM实现 class LSTMModel(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(LSTMModel, self).__init__() self.hidden_size = hidden_size self.lstm = nn.LSTM(input_size, hidden_size) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): lstm_out, _ = self.lstm(x) output = self.fc(lstm_out[:, -1, :]) return output GRU实现 CNN_LSTM实现 class CNNLSTMModel(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(CNNLSTMModel, self).__init__() self.hidden_size = hidden_size self.conv1 = nn.Conv1d(input_size, hidden_size, kernel_size=3, padding=1) self.lstm = nn.LSTM(hidden_size, hidden_size) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): x = x.permute(0, 2, 1) # 转换输入的维度，使其适合卷积层的输入 x = F.relu(self.conv1(x)) x = x.permute(2, 0, 1) # 将维度转换回原始维度 lstm_out, _ = self.lstm(x) output = self.fc(lstm_out[-1, :, :]) # 只使用最后一个时间步的输出 return output CNN_A_LSTM实现 https://gitee.com/VIT19980106/CNN_A_LSTM_Weather_Predict