-
Notifications
You must be signed in to change notification settings - Fork 0
/
keras_OYAP_CONV.py
220 lines (186 loc) · 6.62 KB
/
keras_OYAP_CONV.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
# -*- coding: utf-8 -*-
#
#
#
# *** Пример использования ***
#
#
#
import json
from datetime import datetime as dt
from datetime import date, time, timedelta
from trainer.LSTMTrainerClass import LSTMTrainerClass
from trainer.ForecastLSTMTrainerClass import ForecastLSTMTrainerClass
from trainer.Laplacian import Laplacian
#
# параметры подключения к монго
#
mongo_db = 'srcdata'
mongo_collection = 'meteoisd'
mongo_host = 'localhost'
mongo_port = 27017
#
# начало периода
# для данных, на которых обучаемся
#
dt_cur = dt(2003, 1, 1)
# dt_cur = dt(2017, 1, 1)
#
# начало периода для данных, на которых проверяем
#
dt_pred = dt(2016, 7, 21)
#
# количество эпох
#
num_epochs = 200
#
# празмер батча
#
batch_size = 32
# входные параметры
# количество входных параметров
n_inputs = 10
# шаг по времени (дни)
n_timesteps = 4950
# n_timesteps = 550
# шаг по времени для прогнозов
n_timesteps_pred = 1200
# n_timesteps_pred = 200
# количество измерений назад
# еще это может быть length
n_backtime = 12
#
# а это шаг по времени, когда мы отсутпаем вперед
# чтобы найти есть ли через это время явление
# например, 3 часа
#
n_backtime_delta = 3
# какой процент выкидываем из выборки, чтобы проверить как оно лучше работает
n_dropout = 0.2
# станция, которую ищем, для которой будем восстанавливать значения
# в этой базе в конце номера станций надо добавлять ноль (0)
# stantion = '370540' # Мин воды
# stantion = '261148' # Минск
# stantion = '260630' # Левашово
# stantion = '262580' # Псков
# параметры, по которым прогнозируем
params = ['T']
st_list = [
# '370010', #витязево
# '339460', #SIMFEROPOL
# '345600', #GUMRAK
# '274590', #STRIGINO
# '225500', #TALAGI
# '221130', #MURMANSK
# '286420', #BALANDINO
# '234710', #NIZHNEVARTOVSK
# '296420', #KEMEROVO
# '287854', #ABAKAN
# '307100', #ИРКУТСК
# '313289', #IGNATYEVO
# '319741', #KNEVICHI
# '401800', #BEN GURION
# '173725', #HATAY
]
# делаем цикл по станциям
for stantion in st_list:
#
# создаем класс
#
trainer = ForecastLSTMTrainerClass()
#
# Настриваем тренировочную базу
#
trainer.set_stantion( stantion ) \
.try_fill_stantion_name() \
.set_dt( dt_cur ) \
.set_dt_predicted( dt_pred ) \
.set_timestep_predicted( n_timesteps_pred ) \
.set_params(params) \
.set_timesteps( n_timesteps ) \
.set_backtimedelta( n_backtime_delta ) \
.set_backtime( n_backtime ) \
.set_inputs(n_inputs) \
.set_batch_size(batch_size) \
.set_plot(True) \
.set_save(True) \
.set_load(True) \
.set_shuffle(True) \
.set_processes(9) \
.set_dbtype( 'isd' ) \
.set_epochs( num_epochs ) \
.set_model_name("OYAP_CONV")
#
# тренируем или используем загруженные модели
#
trainer.load() \
.train()
# end loop
exit()
#
# загружаем данные из файла и обучаем на загруженных данных
#
# trainer.fillfromdt(dt_cur,n_timesteps) \
# .train()
# exit()
#
# Прогнозируем по сораненным данным
# загружаем модель
#
#
trainer.load_model(params[0])
trainer.fillfromdt_predict(dt_pred,n_timesteps_pred) \
.load_predicted() \
.mkbatch_predict( params[0] ) \
.split_batch() \
.scale() \
.plot_predict(show=True,param=params[0],save=True)
exit()
# trainer.predict(params[0])
#
# Здесь загружаем модель из файла
# задаем входные параметры и прогнозируем
#
# загружаем модель
trainer.load_model(params[0])
data = [[
#
# T Td P dd V ff hour surise sunset day month
#
[11, 10, 1013.9, 0, 11265, 0, 19.00, 1.60, 18.71, 21, 6], # 1 #
[11, 10, 1013.9, 0, 11265, 0, 19.30, 1.60, 18.71, 21, 6], # 2 #
[10, 10, 1013.9, 0, 6000, 0, 19.50, 1.60, 18.71, 21, 6], # 3 #
[10, 9, 1013.9, 0, 9000, 0, 20.00, 1.60, 18.71, 21, 6], # 4 #
[9, 9, 1013.9, 0, 9000, 0, 20.50, 1.60, 18.71, 21, 6], # 5 #
[9, 9, 1013.9, 0, 11265, 0, 21.00, 1.60, 18.71, 21, 6], # 6 #
[10, 10, 1013.9, 240, 11265, 1, 21.50, 1.60, 18.71, 21, 6], # 7 #
[11, 10, 1013.9, 240, 11265, 1, 22.00, 1.60, 18.71, 21, 6], # 8 #
[11, 10, 1013.9, 240, 11265, 1, 22.15, 1.60, 18.71, 21, 6], # 9 #
[10, 10, 1013.9, 0, 9900, 0, 22.50, 1.60, 18.71, 21, 6], # 10 #
[10, 10, 1013.9, 220, 9900, 1, 23.00, 1.60, 18.71, 21, 6], # 11 #
[10, 10, 1014.9, 240, 9900, 1, 23.50, 1.60, 18.71, 21, 6], # 12 #
]]
import numpy as np
shp = np.shape(data)
X_train = np.reshape(
trainer._scalerX.transform(np.reshape(data, ( shp[0]*shp[1], shp[2]) ))
, (shp[0], shp[1], shp[2])
)
# прогнозируем значения
predicted = trainer.custom_predict( X_train )
result = predicted[0][0]
print( "See on OYAP: ", result )
if result[0] == 1.0 and result[1] == 0.0:
print('OYAP esist!')
elif result[0] == 0.0 and result[1] == 1.0:
print('NO OYAP')
else:
print("undefined OYAP")
oyap_beg = predicted[1][0]
oyap_val = predicted[2][0]
from math import modf
print( oyap_beg, "Туман сядет через ", int(modf(oyap_beg)[1]) , "часов ", int(modf(oyap_beg)[0]*60), "минут" )
print( oyap_val, "продлится ", modf(oyap_val)[1] , " часов ", int(modf(oyap_val)[0]*60), "минут" )
print( predicted )
# трансформируем
exit()