使用天气数据进行需求预测[关闭]答案

【问题标题】：Demand forecast using weather data [closed]使用天气数据进行需求预测[关闭]
【发布时间】：2016-02-18 05:44:00
【问题描述】：

我正在尝试编写一个需求预测，该预测会逐一（或全部）考虑天气数据（温度、压力、湿度）。我想使用机器学习算法来做到这一点。之前我使用线性回归进行需求预测而不考虑天气数据，现在我有天气数据我不确定应该使用哪种机器学习算法来完成任务？我是机器学习的新手，如果您能帮我解决这个问题，我将不胜感激。

我正在使用 Python 编写代码，所以如果您能指导我使用任何特定的模块，那就太好了。

【问题讨论】：

对于 Py2，您可以使用 Google 的 TensorFlow，但还有其他库可能更适合，例如 pylearn2 和 pybrain。
Scikit 是一个很好的选择 ps：线性回归在你的情况下似乎不是要走的路。你能给我们更多关于你想要的输出的细节吗？也许那时我可以提出更具体的建议。

标签： python machine-learning forecasting weather

【解决方案1】：

我也在做同样的事情。只需要带有深度神经网络的 TensorFlow。我相信卷积 LSTM 神经网络可以将天气数据作为输入，并将预测作为输出。你只需要历史数据来训练它。也许是年历与预测时的预测和测量数据相结合。

研究表明，卷积长短期记忆 (ConvLSTM) 算法在预测降水方面比 FC_LSTM 和当前最先进的 ROVER 算法更准确。这是论文：https://arxiv.org/abs/1506.04214

研究还表明，可以使用 NOAA 的数据预测风，并且机器学习算法的预测效果优于 NOAA。论文在这里：http://aditya-grover.github.io/files/publications/kdd15.pdf

最后，研究表明，使用 15 年的每小时测量数据周期，可以准确预测温度、湿度和风，直至 72 小时。这篇文章详细说明了训练算法所需的一切：Sequence to Sequence Weather Forecasting with Long 短期记忆循环神经网络，国际计算机应用杂志 (0975 - 8887) 第 143 卷 - 第 11 期，2016 年 6 月

【讨论】：

不要将链接发布为答案，而是添加一些文本来解释此答案如何帮助 OP 解决当前问题。谢谢

【解决方案2】：

好的，如果您是机器学习的新手，我建议您使用以下方法来创建您的预测模型。

了解您的数据：手动检查您拥有的输入变量与目标（输出）的关系。如果它们表现出某种线性依赖关系，那么你很幸运，但最具挑战性的是如果你发现关系具有非线性关系。
变量选择：您永远无法确定是否所有输入对于预测输出都是必要的。示例：如果压力和温度以某种方式相关，也许您的 ML 算法可以仅使用这两个输入之一来预测您的输出。相反，可能有一些变量实际上会干扰您对 ML 算法的预测。因此，您需要一些相关性度量来建议哪些输入与您的输出高度相关（历史数据，例如：来自 UCI 存储库）。如果您发现数据之间存在线性依赖关系，我建议您使用 Pearsons Correlation、Spearmanns Rho。如果不是，您可以使用 MIC、Relieff 权重等作为非线性数据的相关度量。
要使用哪种 ML 算法：这纯粹是数据相关的，也许只是多项式或最小二乘就足够了（对于线性相关性），或者在最坏的情况下，您有一些多层神经网络或高斯过程（对于非线性相关性）。推荐：正如你所说的你想要线性回归，从最小二乘拟合开始。如果您在理解任何概念时仍然遇到问题，您可以通过一些关于您的输入与输出的关系图与我联系，我可以为您提供更好的建议。祝你好运

【讨论】：