我們第三天也來解釋Lstm用於天氣預測的部分，以下是程式碼

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import LSTM, Dense

# 讀取數據
data = pd.read_csv('weather.csv')
data = data['temperature'].values
data = data.reshape(-1, 1)

# 正規化數據
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data)

# 設定時間步長和創建訓練數據
def create_dataset(dataset, time_step=1):
    X, Y = [], []
    for i in range(len(dataset) - time_step - 1):
        a = dataset[i:(i + time_step), 0]
        X.append(a)
        Y.append(dataset[i + time_step, 0])
    return np.array(X), np.array(Y)

time_step = 100
X, Y = create_dataset(scaled_data, time_step)

# 重塑數據以適應 LSTM
X = X.reshape(X.shape[0], X.shape[1], 1)

# 建立 LSTM 模型
model = Sequential()
model.add(LSTM(50, return_sequences=True, input_shape=(time_step, 1)))
model.add(LSTM(50, return_sequences=False))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')

# 訓練模型
model.fit(X, Y, epochs=20, batch_size=32, verbose=1)

# 預測未來數據
test_data = scaled_data[-time_step:]
test_data = test_data.reshape(1, time_step, 1)
prediction = model.predict(test_data)
prediction = scaler.inverse_transform(prediction)

print("預測的溫度值: ", prediction)

1. 讀取數據

   data = pd.read_csv('weather.csv')
   data = data['temperature'].values
   data = data.reshape(-1, 1)
   

   這段程式碼從 CSV 文件中讀取溫度數據，並將其轉換成 NumPy 陣列，方便後續處理。

2. 正規化數據

   scaler = MinMaxScaler(feature_range=(0, 1))
   scaled_data = scaler.fit_transform(data)
   

   為了使模型訓練更穩定，我們使用 MinMaxScaler 將數據正規化到 0 和 1 之間。

創建訓練數據集

3. 創建數據集

   def create_dataset(dataset, time_step=1):
       X, Y = [], []
       for i in range(len(dataset) - time_step - 1):
           a = dataset[i:(i + time_step), 0]
           X.append(a)
           Y.append(dataset[i + time_step, 0])
       return np.array(X), np.array(Y)
   
   time_step = 100
   X, Y = create_dataset(scaled_data, time_step)
   

   我們創建一個函數 create_dataset 來生成訓練數據集。該函數根據給定的 time_step（在此例中為 100）將數據拆分成輸入 X 和目標輸出 Y。

數據重塑

4. 重塑數據

   X = X.reshape(X.shape[0], X.shape[1], 1)
   

   為了適應 LSTM 模型，我們需要將數據重塑為三維陣列，形狀為 (樣本數, 時間步長, 特徵數)。

建立和訓練 LSTM 模型

5. 建立模型

   model = Sequential()
   model.add(LSTM(50, return_sequences=True, input_shape=(time_step, 1)))
   model.add(LSTM(50, return_sequences=False))
   model.add(Dense(1))
   model.compile(optimizer='adam', loss='mean_squared_error')
   

   我們使用 Keras 庫來建立一個 LSTM 模型。模型包括兩層 LSTM，每層有 50 個單元。第一層的 return_sequences=True 表示返回完整的序列，第二層則只返回最後一個輸出。最後一層是 Dense 層，用於生成最終預測值。模型使用均方誤差（MSE）作為損失函數，Adam 作為優化器。

6. 訓練模型

   model.fit(X, Y, epochs=20, batch_size=32, verbose=1)
   

   使用訓練數據 X 和 Y 訓練模型，訓練 20 個 epochs，每個批次大小為 32。

進行預測

7. 預測未來數據

   test_data = scaled_data[-time_step:]
   test_data = test_data.reshape(1, time_step, 1)
   prediction = model.predict(test_data)
   prediction = scaler.inverse_transform(prediction)
   print("預測的溫度值: ", prediction)
   

   我們使用最後 100 天（time_step） 的數據作為測試數據，重塑為適合 LSTM 模型的三維陣列。模型預測的結果是正規化數據，需要反轉正規化以獲得實際溫度值。

這段程式碼展示了如何使用 LSTM 模型進行天氣預測。首先，我們對數據進行預處理和正規化，然後創建適合 LSTM 模型的訓練數據集。接下來，我們建立並訓練 LSTM 模型，最後使用模型對未來的溫度進行預測。這種方法可以應用於其他時間序列預測問題，只需調整輸入數據和模型參數即可。