使用天气数据进行需求预测
Demand forecast using weather data
我正在尝试编写一份需求预测，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。我以前使用线性回归来做需求预测，之前没有考虑天气数据，现在我有了天气数据，我不确定我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，如果你能帮我解决这个问题，我将不胜感激。
我正在使用 Python 作为我的代码，所以如果你能指导我使用任何特定的模块，那就太好了。
好的，如果您是机器学习的新手，我建议您按照以下方法创建预测模型。
- 了解您的数据：手动检查您拥有的输入变量如何与目标（输出）相关。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，如果你发现这种关系具有非线性关系。
- 变量选择：您永远无法确定您的所有输入是否都是预测输出所必需的。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 2 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表明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相关性，我建议使用 Pearsons Correlation、Spearmanns Rho。如果不是，您可以使用 MIC、Relieff weights 等作为非线性数据的相关度量。
- 使用哪种 ML 算法：这完全取决于数据，也许只需多项式或最小二乘法就足够了（对于线性相关性），或者最坏的情况是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有问题，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
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给出预测作为输出。你只需要历史数据来训练它。也许是历书结合预报和预报时的测量数据。
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，使用每小时测量的 15 年数据周期，可以准确预测 72 小时内的温度、湿度和风力。训练算法所需的一切都在本文中详细说明：Sequence to Sequence Weather Forecasting with Long
短期记忆递归神经网络，国际计算机应用杂志 (0975 - 8887)
2016年6月第143期第11期
我正在尝试编写一份需求预测，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。我以前使用线性回归来做需求预测，之前没有考虑天气数据，现在我有了天气数据，我不确定我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，如果你能帮我解决这个问题，我将不胜感激。
我正在使用 Python 作为我的代码，所以如果你能指导我使用任何特定的模块，那就太好了。
好的，如果您是机器学习的新手，我建议您按照以下方法创建预测模型。
- 了解您的数据：手动检查您拥有的输入变量如何与目标（输出）相关。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，如果你发现这种关系具有非线性关系。
- 变量选择：您永远无法确定您的所有输入是否都是预测输出所必需的。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 2 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表明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相关性，我建议使用 Pearsons Correlation、Spearmanns Rho。如果不是，您可以使用 MIC、Relieff weights 等作为非线性数据的相关度量。
- 使用哪种 ML 算法：这完全取决于数据，也许只需多项式或最小二乘法就足够了（对于线性相关性），或者最坏的情况是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有问题，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
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给出预测作为输出。你只需要历史数据来训练它。也许是历书结合预报和预报时的测量数据。
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，使用每小时测量的 15 年数据周期，可以准确预测 72 小时内的温度、湿度和风力。训练算法所需的一切都在本文中详细说明：Sequence to Sequence Weather Forecasting with Long 短期记忆递归神经网络，国际计算机应用杂志 (0975 - 8887) 2016年6月第143期第11期