我正在做一个模型,用一周和一个月的一天来预测起飞时间的延迟。每个数据输入都是表单,前12位为月份,最后7位为一周中的最后一天。标签是整数,正整数或负整数,表示延迟的小时数。
这是我的密码:
#
#
# This model uses day and month as a predictor of delay.
# https://www.kaggle.com/usdot/flight-delays#flights.csv
#
#
# TensorFlow
import tensorflow as tf
from tensorflow import keras
from keras.models import load_model
from keras.models import Sequential
from keras.layers import Dense, Activation
from sklearn.preprocessing import minmax_scale
# Helper libraries
import numpy as np
import csv
# Get features and labels
train_features = np.load("train_features.npy")[:10000, :]
train_labels = np.load("train_labels.npy")[:10000]
print(train_labels)
test_features = np.load("test_features.npy")[:1000, :]
test_labels = np.load("test_labels.npy")[:1000]
# Risk Assessment Model
model = Sequential()
model.add(Dense(6, activation="relu", input_dim=19))
model.add(Dense(1, activation="sigmoid"))
model.compile(optimizer="rmsprop", loss="mean_squared_logarithmic_error", metrics=["accuracy"])
model.fit(
train_features,
train_labels,
epochs=100,
verbose=1,
validation_data=(test_features, test_labels),
)
model.save("time_model.h5")这个模型非常精确,我很难理解其中的原因。我不知道我应该使用什么样的激活函数,我感到完全迷失了。提前谢谢你的帮助。
发布于 2019-05-05 00:21:29
我不确定这是一个很好的问题设置为一个前馈网络(特别是这样一个小的网络,只有一个激活超过6个神经元)。
如果你只是使用一周中的一天和一年中的月份,这里还有什么可以预测的呢?您可以简单地为每一个成对组合取平均值并使用它。
如果您想调整数据集的时间范围上的本地趋势,那么可能查看时态分解。例如,您可以为Python使用状态模型中可用的theseasonal_decomposemethod包。
这样做的目的是找到:
它的工作原理是对数据进行卷积,以找到重复频率。与ConvNets相比,您可以把它想象成在时间上找到相关性,比如在图像中寻找像素上的相关性。
下面是一个例子,它使用了国际航空公司乘客总数的数据集。我使用statsmodel包将这个著名的R数据集加载为一个熊猫DataFrame:
In [1]: import statsmodels.api as sm
In [2]: import matplotlib.pyplot as plt
In [3]: ap = sm.datasets.get_rdataset("AirPassengers") # ap = AirPassengers实际的dataframe存储在ap的D12属性上,有两列:
In [4]: ap.data.columns
Out[4]: Index(['time', 'value'], dtype='object')我们可以看到数据是什么样子,哪里有明显的上升趋势,也有一个重复的季节性(更多的人飞越夏季时间):
In [5]: ap.data.plot("time", "value");
In [6]: plt.show()
现在我们可以对数据进行季节性分解(freq=12,因为数据是每月的):
In :分解= sm.tsa.seasonal_decompose(ap.data.value.values,freq=12)
这个decomp结果有一些属性,但最有用的是图.我们可以看到分离得很好的季节和趋势,还有一些噪音。
In : decomp.plot();
In : plt.show()

我们看到它并不完美,因为季节性最适合于中间部分,而不是开始或结束阶段--在开始和结束时残差最大。
可以访问每个值:observed、trend、seasonal、resid和decmp对象上的nobs。
现在,如果这种分析有助于您发现季节性,那么您可能希望了解seasonality模型(也可以在statsmodel包中找到)。
这是博客文章,我刚刚发现,它看起来非常详细,可以帮助您在这条道路上。
如果你做这个节选是为了了解Keras和深入学习,那么研究更适合时间序列分析的LSTM模型可能是值得的。您还需要重新考虑如何将数据输入到模型中进行培训,而不是混淆时间信息或造成偏差(让模型欺骗)。
https://datascience.stackexchange.com/questions/51399
复制相似问题