1.數(shù)據(jù)集介紹
瓦斯是被預(yù)測氣體，其它列為特征列,原始數(shù)據(jù)一共有472行數(shù)據(jù)，因?yàn)樵紨?shù)據(jù)比較少，所以要對原始數(shù)據(jù)（總共8列數(shù)據(jù)）進(jìn)行擴(kuò)增。
開始數(shù)據(jù)截圖
?截止數(shù)據(jù)截圖
2. 文件夾介紹
lstm.py是對未擴(kuò)增的數(shù)據(jù)進(jìn)行訓(xùn)練和測試
gan_code.py是數(shù)據(jù)擴(kuò)增文件。
gan_data1.npy保留擴(kuò)增以后的偽數(shù)據(jù)
gan_lstm.py 是利用擴(kuò)增后的數(shù)據(jù)與原始數(shù)據(jù)的一部分一起作為訓(xùn)練集，對測試集進(jìn)行測試。
擴(kuò)增程序運(yùn)行視頻（為減小視頻時(shí)長，視頻中訓(xùn)練次數(shù)設(shè)置為2）：
基于timegan擴(kuò)增技術(shù)，進(jìn)行多維度數(shù)據(jù)擴(kuò)增_嗶哩嗶哩_bilibili
擴(kuò)增程序運(yùn)行5000個(gè)train_steps，也就是訓(xùn)練5000次后，將擴(kuò)增數(shù)據(jù)與真實(shí)數(shù)據(jù)，利用PCA和TNSE進(jìn)行特征可視化，可以看出擴(kuò)增出來的數(shù)據(jù)與原始數(shù)據(jù)特征分布近似，擴(kuò)增數(shù)據(jù)效果較佳。
對8列數(shù)據(jù)，隨機(jī)選出每列的24個(gè)連續(xù)的點(diǎn)，真實(shí)值與生成的數(shù)據(jù)對比：
?2.利用LSTM進(jìn)行預(yù)測
將原始數(shù)據(jù)集的最后一半(236行，也就是263個(gè)樣本作為測試集)，前面一半單獨(dú)作為訓(xùn)練集，模型經(jīng)訓(xùn)練后，對測試集的效果如下：
RMSE: 0.18512594640992197
MAE: 0.11461186704684799
MSE: 0.0342716160341693
將原始數(shù)據(jù)集的最后一半(236行，也就是263個(gè)樣本作為測試集)，前面一半和擴(kuò)增后的數(shù)據(jù)一起組成訓(xùn)練集，模型經(jīng)訓(xùn)練后，對測試集的效果如下：
RMSE: 0.1454103476829004
MAE: 0.05941093629294589
MSE: 0.02114416921326198
將原始數(shù)據(jù)集的最后80%(378行，也就是378個(gè)樣本作為測試集)，前面20%(95個(gè)樣本)單獨(dú)作為訓(xùn)練集，模型經(jīng)訓(xùn)練后，對測試集的效果如下：
RMSE: 0.18795273726595538
MAE: 0.12856747175336741
MSE: 0.03532623144576525
將原始數(shù)據(jù)集的最后80%(378行，也就是378個(gè)樣本作為測試集)，前面20%(95個(gè)樣本)和擴(kuò)增數(shù)據(jù)一起作為訓(xùn)練集，模型經(jīng)訓(xùn)練后，對測試集的效果如下：
RMSE: 0.13263138712145212
MAE: 0.07024818880211464
MSE: 0.017591084849760494
文章來源：http://www.zghlxwxcb.cn/news/detail-587103.html
對項(xiàng)目感興趣的，可以關(guān)注最后一行文章來源地址http://www.zghlxwxcb.cn/news/detail-587103.html
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from tensorflow import function, GradientTape, sqrt, abs, reduce_mean, ones_like, zeros_like, convert_to_tensor,float32
from tensorflow import data as tfdata
from tensorflow import config as tfconfig
#代碼和數(shù)據(jù)集的壓縮包：https://mbd.pub/o/bread/mbd-ZJualZxq到了這里，關(guān)于基于timegan擴(kuò)增技術(shù)，進(jìn)行多維度數(shù)據(jù)擴(kuò)增（Python編程，數(shù)據(jù)集為瓦斯?jié)舛葰怏w數(shù)據(jù)集）的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
