今天是第9天我想寫一個Lstm預測候鳥飛行距離的程式，以下是程式碼

pip install numpy pandas tensorflow scikit-learn
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split

# 假設我們有一個包含候鳥行為的時序數據集
# 為了簡單起見，這裡創建了一個隨機數據集作為示例
# 通常你會從CSV或其他資料來源讀取這些數據
data_size = 1000
timesteps = 10

# 創建虛擬數據: 每一行代表一天的飛行距離、速度和高度
data = np.random.rand(data_size, 3)

# 將數據轉換為Pandas DataFrame
df = pd.DataFrame(data, columns=['distance', 'speed', 'altitude'])

# 資料正規化
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(df)

# 生成輸入和輸出的時間序列
X = []
y = []

for i in range(timesteps, len(scaled_data)):
    X.append(scaled_data[i-timesteps:i])
    y.append(scaled_data[i])

X, y = np.array(X), np.array(y)

# 分割資料為訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 建立LSTM模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dropout(0.2))
model.add(LSTM(units=50))
model.add(Dropout(0.2))
model.add(Dense(units=3))  # 因為我們的輸出有3個特徵: distance, speed, altitude

# 編譯模型
model.compile(optimizer='adam', loss='mean_squared_error')

# 訓練模型
model.fit(X_train, y_train, epochs=20, batch_size=32, validation_data=(X_test, y_test))

# 預測未來行為
predictions = model.predict(X_test)

# 反轉正規化以恢復原始數據範圍
predictions = scaler.inverse_transform(predictions)

print("預測結果：")
print(predictions)

1. 導入庫

import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split

• numpy 和 pandas 是用來處理數據的基本庫。
• tensorflow 是一個機器學習框架，用來建立和訓練深度學習模型。
• Sequential、LSTM、Dense、Dropout 都是 Keras（TensorFlow 的高層 API）提供的模組，用於構建和編譯模型。
• MinMaxScaler 用於數據正規化，使數據值落在一個統一的範圍內（例如 0 到 1）。
• train_test_split 用於將數據分割為訓練集和測試集。

2. 數據準備

data_size = 1000
timesteps = 10

data = np.random.rand(data_size, 3)

df = pd.DataFrame(data, columns=['distance', 'speed', 'altitude'])

• data_size 是數據集的大小（1000 行）。
• timesteps 表示LSTM模型將考慮的時間步數，也就是在預測下一步時使用多少個過去的數據點。
• data 是一個隨機生成的 1000 行 x 3 列的數據集，假設這些數據分別代表候鳥的飛行距離、速度和高度。
• df 是一個Pandas DataFrame，將數據標籤為 distance（距離）、speed（速度）和 altitude（高度）。

3. 數據正規化

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

• 使用 MinMaxScaler 將數據縮放到 [0, 1] 的範圍內。這樣可以使LSTM模型更容易收斂，並防止數據值差異過大導致模型表現不穩定。

4. 生成輸入和輸出

X = []
y = []

for i in range(timesteps, len(scaled_data)):
    X.append(scaled_data[i-timesteps:i])
    y.append(scaled_data[i])

X, y = np.array(X), np.array(y)

• X 是輸入數據集，y 是輸出數據集。
• 這段代碼將時序數據轉換為模型可以接受的格式。每個 X 包含 timesteps（10 個時間步）的數據，而 y 則是下一個時間步的數據。
• 例如，如果 timesteps 是 10，那麼 X[0] 包含的是第 1 到第 10 步的數據，而 y[0] 包含的是第 11 步的數據。

5. 分割訓練集和測試集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

• 使用 train_test_split 將數據分為訓練集和測試集，測試集佔 20%。
• random_state=42 是設置隨機種子，使得每次運行程式碼時分割結果一致。

6. 建立LSTM模型

model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dropout(0.2))
model.add(LSTM(units=50))
model.add(Dropout(0.2))
model.add(Dense(units=3))  # 輸出有3個特徵: distance, speed, altitude

• Sequential() 是一個線性堆疊的模型，它允許你逐層構建神經網絡。
• LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], X_train.shape[2])) 是第一個LSTM層，有 50 個單元（或神經元）。return_sequences=True 表示返回完整的序列，這樣下一層 LSTM 層可以接收輸出的整個序列。
• Dropout(0.2) 是一個正則化層，用來防止過擬合。這意味著每次訓練都會隨機“丟棄”20%的單元。
• 第二個 LSTM(units=50) 層也有 50 個單元，但不返回序列。
• Dense(units=3) 是一個全連接層，輸出 3 個單元，對應於 distance、speed 和 altitude。

7. 編譯和訓練模型

model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X_train, y_train, epochs=20, batch_size=32, validation_data=(X_test, y_test))

• compile 函數用來配置訓練過程。這裡使用 adam 優化器（是一種常用的梯度下降優化方法），和 mean_squared_error 損失函數（適用於回歸問題）。
• fit 函數開始訓練模型，訓練 20 個回合（epochs），每次處理 32 個樣本（batch_size），並且使用測試集來驗證模型的表現。

8. 進行預測

predictions = model.predict(X_test)
predictions = scaler.inverse_transform(predictions)

print("預測結果：")
print(predictions)

• model.predict(X_test) 用測試集來進行預測，predictions 變量儲存了模型的預測結果。
• scaler.inverse_transform(predictions) 將預測結果反轉正規化，恢復到原始數據的範圍，這樣我們可以解讀預測結果。
• 最後，打印出預測結果。

總結

這個程式碼演示了如何使用LSTM模型來預測時序數據中的未來行為模式。在實際應用中，你需要用實際的候鳥行為數據來替換這裡的隨機數據，並且可能需要進行更多的數據預處理和模型調整，以提高預測的準確性。