对时间序列数据进行 Tensorflow 预测？ （回归模型）

Question

我用浅层机器学习算法（岭回归）尝试了同样的练习，但我想试试神经网络。

我可以访问以下格式的原始传感器数据。 （+100k 行）

Timestamp    OilPressure     OilTemperature     RPM     FilterRestriction
0001         145             90                 1100    15
0002         140             92                 1100    15
0003         134             93                 1123    16
0004         143             91                 1135    14

本练习的 label 是 OilPressure，我在其上训练了以下 model。

model = keras.Sequential([
   layers.Dense(64, activation='relu', input_shape=[len(train_dataset.keys())]),
   layers.Dense(64, activation='relu'),
   layers.Dense(1)
])

我将原始数据集分成 25% 和 75%，因为我想在原始 25% 上训练和测试 model，并将其用作我的“健康”设备的基线。 所以我将数据集按日期升序排序并相应地拆分。

那 25% 被进一步随机分成 80%/20% 用于火车测试。

由此产生的 model 给了我大约 3 PSI 的 MSE...

我现在想做的是用另一列填充原始 dataframe，我可以在其中将实际油压与预测油压进行比较。 预测将由经过 25% 训练的 model 生成，但将适用于未经过训练或测试的 85%。

I was thinking of applying a lambda function but I'm not sure if that would work, can I define some other sort of function that takes in OilTemperature, RPM and FilterRestriction, passes it to my model and spits out a PredictedOilPressure?

这就是我想要实现的目标：

Timestamp    OilPressure     OilTemperature     RPM     FilterRestriction    PredictedOilPressure
1000         139             89                 1203    11                   141
1001         142             89                 1109    10                   142
1002         146             87                 1177    10                   147
1003         143             84                 1205    12                   144

Answer 1

为您要预测的每条记录创建一个 pandas dataframe。 (X_features) 然后只需使用 model.predict() function 来进行预测。 将结果保存为数据集中的列。

dataset['PredictedOilPressure'] = model.predict(X_features)