【深度学习项目实战】Keras深度学习多变量时间序列预测的LSTM模型

本篇文章将介绍基于Keras深度学习的多变量时间序列预测的LSTM模型。

项目名称：空气污染预测

一、主要内容：

如何将原始数据集转换为可用于时间序列预测的内容。
如何准备数据并使LSTM适合多变量时间序列预测问题。
如何进行预测并将结果重新缩放为原始单位。

二、数据下载

在本教程中，我们将使用空气质量数据集。该数据集报告了美国驻中国大使馆五年来每小时的天气和污染水平。数据包括日期时间，称为PM2.5浓度的污染以及包括露点，温度，压力，风向，风速和雪雨累计小时数的天气信息。原始数据中的完整功能列表如下：

否：行号
年：此行中的数据年份
month：此行中数据的月份
日期：此行中的数据日期
hour：该行中的数据小时
pm2.5：PM2.5浓度
露点：露点
TEMP：温度
PRES：压力
cbwd：组合风向
Iws：累计风速
是：累计下雪时间
Ir：累计下雨时间

我们可以使用这些数据来构建预测问题，在此情况下，鉴于前几个小时的天气条件和污染，我们可以预测下一个小时的污染。

数据下载地址
下载数据集并将其命名为 raw.csv

三、数据处理

第一步，将零散的日期时间信息整合为一个单一的日期时间，以便我们可以将其用作 Pandas 的索引。
快速检查第一天的 pm2.5 的 NA 值。因此，我们需要删除第一行数据。在数据集中还有几个零散的「NA」值，我们现在可以用 0 值标记它们。

以下脚本用于加载原始数据集，并将日期时间信息解析为 Pandas DataFrame 索引。「No」列被删除，每列被指定更加清晰的名称。最后，将 NA 值替换为「0」值，并删除前一天的数据。


# -*- coding: utf-8 -*-
from pandas import *# 定义字符串转换为日期数据
def parse(x):return datetime.strptime(x, '%Y %m %d %H')# 数据存放路径设置
data_path=r'D:\深度学习\数据集\raw.csv'
# 读取数据
dataset = read_csv(data_path,sep=',',  parse_dates = [['year', 'month', 'day', 'hour']], index_col=0, date_parser=parse)
# 删除NO列
dataset.drop('No', axis=1, inplace=True)
# 重命名
dataset.columns = ['pollution', 'dew', 'temp', 'press', 'wnd_dir', 'wnd_spd', 'snow', 'rain']
# 索引重命名
dataset.index.name = 'date'
# 填充NA值为0
dataset['pollution'].fillna(0, inplace=True)# 删除前24行无效数据
dataset = dataset[24:]
# 打印前五行数据
print(dataset.head(5))
# 保存数据
dataset.to_csv(r'D:\深度学习\数据集\pollution.csv')

                   pollution  dew  temp   press wnd_dir  wnd_spd  snow  rain
date                                                                          
2010-01-02 00:00:00      129.0  -16  -4.0  1020.0      SE     1.79     0     0
2010-01-02 01:00:00      148.0  -15  -4.0  1020.0      SE     2.68     0     0
2010-01-02 02:00:00      159.0  -11  -5.0  1021.0      SE     3.57     0     0
2010-01-02 03:00:00      181.0   -7  -5.0  1022.0      SE     5.36     1     0
2010-01-02 04:00:00      138.0   -7  -5.0  1022.0      SE     6.25     2     0

四、建立多变量 LSTM 预测模型

# -*- coding: utf-8 -*-from math import sqrt
from numpy import concatenate
from matplotlib import pyplot
from pandas import read_csv
from pandas import DataFrame
from pandas import concat
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import LabelEncoder
from sklearn.metrics import mean_squared_error,r2_score
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM# 将序列转换为监督学习函数
def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):n_vars = 1 if type(data) is list else data.shape[1]df = DataFrame(data)cols, names = list(), list()# input sequence (t-n, ... t-1)for i in range(n_in, 0, -1):cols.append(df.shift(i))names += [('var%d(t-%d)' % (j + 1, i)) for j in range(n_vars)]# forecast sequence (t, t+1, ... t+n)for i in range(0, n_out):cols.append(df.shift(-i))if i == 0:names += [('var%d(t)' % (j + 1)) for j in range(n_vars)]else:names += [('var%d(t+%d)' % (j + 1, i)) for j in range(n_vars)]# put it all togetheragg = concat(cols, axis=1)agg.columns = names# drop rows with NaN valuesif dropnan:agg.dropna(inplace=True)return agg# 导入数据集
dataset = read_csv(r'D:\深度学习\数据集\pollution.csv', header=0, index_col=0)
values = dataset.values# 离散变量独热编码
encoder = LabelEncoder()
values[:, 4] = encoder.fit_transform(values[:, 4])# 转换数据类型
values = values.astype('float32')# 特征归一化为0-1之间
scaler = MinMaxScaler(feature_range=(0, 1))
scaled = scaler.fit_transform(values)# 数据转换为监督学习数据集
reframed = series_to_supervised(scaled, 1, 1)# 删除不需要的列
reframed.drop(reframed.columns[[9, 10, 11, 12, 13, 14, 15]], axis=1, inplace=True)# 划分训练数据集和测试数据集
values = reframed.values
n_train_hours = 365 * 24
train = values[:n_train_hours, :]
test = values[n_train_hours:, :]
train_X, train_y = train[:, :-1], train[:, -1]
test_X, test_y = test[:, :-1], test[:, -1]# 将输入（X）重构为 LSTM 预期的 3D 格式，即 [样本，时间步，特征]。
# reshape input to be 3D [samples, timesteps, features]
train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1]))
test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1]))print(train_X.shape, train_y.shape, test_X.shape, test_y.shape)# 设计lstm模型
model = Sequential()
model.add(LSTM(50, input_shape=(train_X.shape[1], train_X.shape[2])))
model.add(Dense(1))
model.compile(loss='mae', optimizer='adam')
# 训练模型
history = model.fit(train_X, train_y, epochs=100, batch_size=50, validation_data=(test_X, test_y), verbose=2, shuffle=False)# 误差可视化
pyplot.plot(history.history['loss'], label='train')
pyplot.plot(history.history['val_loss'], label='test')
pyplot.legend()
pyplot.show()# 模型预测
yhat = model.predict(test_X)# 转换预测值
test_X = test_X.reshape((test_X.shape[0], test_X.shape[2]))
inv_yhat = concatenate((yhat, test_X[:, 1:]), axis=1)
inv_yhat = scaler.inverse_transform(inv_yhat)
inv_yhat = inv_yhat[:,0]# 转换实际值
test_y = test_y.reshape((len(test_y), 1))
inv_y = concatenate((test_y, test_X[:, 1:]), axis=1)
inv_y = scaler.inverse_transform(inv_y)
inv_y = inv_y[:,0]# 模型评估
# 均方误差
rmse = sqrt(mean_squared_error(inv_y, inv_yhat))
# R方
r2=r2_score(inv_y, inv_yhat)print('Test RMSE: %.3f' % rmse)
print('Test R2：%.3f' % r2)

在这里插入图片描述

Using TensorFlow backend.
2019-12-19 10:32:46.083137: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_100.dll
(8760, 1, 8) (8760,) (35039, 1, 8) (35039,)
2019-12-19 10:32:47.305909: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library nvcuda.dll
2019-12-19 10:32:47.333454: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1618] Found device 0 with properties: 
name: GeForce GTX 1650 major: 7 minor: 5 memoryClockRate(GHz): 1.56
pciBusID: 0000:01:00.0
2019-12-19 10:32:47.333855: I tensorflow/stream_executor/platform/default/dlopen_checker_stub.cc:25] GPU libraries are statically linked, skip dlopen check.
2019-12-19 10:32:47.334613: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1746] Adding visible gpu devices: 0
2019-12-19 10:32:47.335203: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2019-12-19 10:32:47.337976: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1618] Found device 0 with properties: 
name: GeForce GTX 1650 major: 7 minor: 5 memoryClockRate(GHz): 1.56
pciBusID: 0000:01:00.0
2019-12-19 10:32:47.338315: I tensorflow/stream_executor/platform/default/dlopen_checker_stub.cc:25] GPU libraries are statically linked, skip dlopen check.
2019-12-19 10:32:47.339027: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1746] Adding visible gpu devices: 0
2019-12-19 10:32:47.854835: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1159] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-12-19 10:32:47.855022: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1165]      0 
2019-12-19 10:32:47.855120: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1178] 0:   N 
2019-12-19 10:32:47.855868: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1304] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 2919 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1650, pci bus id: 0000:01:00.0, compute capability: 7.5)
Train on 8760 samples, validate on 35039 samples
Epoch 1/100
2019-12-19 10:32:48.783437: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cublas64_100.dll- 2s - loss: 0.0606 - val_loss: 0.0485
Epoch 2/100- 1s - loss: 0.0347 - val_loss: 0.0372
Epoch 3/100- 1s - loss: 0.0180 - val_loss: 0.0230
Epoch 4/100- 1s - loss: 0.0157 - val_loss: 0.0165
Epoch 5/100- 1s - loss: 0.0149 - val_loss: 0.0147
Epoch 6/100- 2s - loss: 0.0149 - val_loss: 0.0145
Epoch 7/100- 2s - loss: 0.0146 - val_loss: 0.0147
Epoch 8/100- 2s - loss: 0.0147 - val_loss: 0.0147
Epoch 9/100- 2s - loss: 0.0146 - val_loss: 0.0150
Epoch 10/100- 2s - loss: 0.0144 - val_loss: 0.0155
Epoch 11/100- 2s - loss: 0.0149 - val_loss: 0.0148
Epoch 12/100- 2s - loss: 0.0149 - val_loss: 0.0151
Epoch 13/100- 2s - loss: 0.0146 - val_loss: 0.0150
Epoch 14/100- 2s - loss: 0.0147 - val_loss: 0.0149
Epoch 15/100- 2s - loss: 0.0146 - val_loss: 0.0147
Epoch 16/100- 2s - loss: 0.0151 - val_loss: 0.0154
Epoch 17/100- 2s - loss: 0.0150 - val_loss: 0.0154
Epoch 18/100- 2s - loss: 0.0148 - val_loss: 0.0152
Epoch 19/100- 2s - loss: 0.0149 - val_loss: 0.0153
Epoch 20/100- 2s - loss: 0.0148 - val_loss: 0.0157
Epoch 21/100- 2s - loss: 0.0147 - val_loss: 0.0156
Epoch 22/100- 2s - loss: 0.0147 - val_loss: 0.0157
Epoch 23/100- 2s - loss: 0.0147 - val_loss: 0.0158
Epoch 24/100- 2s - loss: 0.0147 - val_loss: 0.0156
Epoch 25/100- 2s - loss: 0.0146 - val_loss: 0.0154
Epoch 26/100- 2s - loss: 0.0146 - val_loss: 0.0155
Epoch 27/100- 2s - loss: 0.0146 - val_loss: 0.0155
Epoch 28/100- 2s - loss: 0.0146 - val_loss: 0.0148
Epoch 29/100- 2s - loss: 0.0147 - val_loss: 0.0149
Epoch 30/100- 2s - loss: 0.0146 - val_loss: 0.0156
Epoch 31/100- 2s - loss: 0.0146 - val_loss: 0.0151
Epoch 32/100- 2s - loss: 0.0146 - val_loss: 0.0152
Epoch 33/100- 2s - loss: 0.0146 - val_loss: 0.0150
Epoch 34/100- 2s - loss: 0.0145 - val_loss: 0.0149
Epoch 35/100- 2s - loss: 0.0147 - val_loss: 0.0147
Epoch 36/100- 2s - loss: 0.0145 - val_loss: 0.0148
Epoch 37/100- 2s - loss: 0.0145 - val_loss: 0.0147
Epoch 38/100- 2s - loss: 0.0146 - val_loss: 0.0146
Epoch 39/100- 2s - loss: 0.0145 - val_loss: 0.0146
Epoch 40/100- 2s - loss: 0.0145 - val_loss: 0.0143
Epoch 41/100- 2s - loss: 0.0144 - val_loss: 0.0143
Epoch 42/100- 2s - loss: 0.0145 - val_loss: 0.0143
Epoch 43/100- 2s - loss: 0.0146 - val_loss: 0.0144
Epoch 44/100- 2s - loss: 0.0145 - val_loss: 0.0141
Epoch 45/100- 2s - loss: 0.0144 - val_loss: 0.0139
Epoch 46/100- 2s - loss: 0.0146 - val_loss: 0.0140
Epoch 47/100- 2s - loss: 0.0146 - val_loss: 0.0140
Epoch 48/100- 2s - loss: 0.0143 - val_loss: 0.0138
Epoch 49/100- 2s - loss: 0.0145 - val_loss: 0.0140
Epoch 50/100- 2s - loss: 0.0143 - val_loss: 0.0139
Epoch 51/100- 2s - loss: 0.0142 - val_loss: 0.0138
Epoch 52/100- 2s - loss: 0.0142 - val_loss: 0.0140
Epoch 53/100- 2s - loss: 0.0146 - val_loss: 0.0139
Epoch 54/100- 2s - loss: 0.0144 - val_loss: 0.0138
Epoch 55/100- 2s - loss: 0.0145 - val_loss: 0.0138
Epoch 56/100- 2s - loss: 0.0145 - val_loss: 0.0138
Epoch 57/100- 2s - loss: 0.0144 - val_loss: 0.0136
Epoch 58/100- 2s - loss: 0.0145 - val_loss: 0.0137
Epoch 59/100- 2s - loss: 0.0143 - val_loss: 0.0137
Epoch 60/100- 2s - loss: 0.0141 - val_loss: 0.0137
Epoch 61/100- 2s - loss: 0.0142 - val_loss: 0.0136
Epoch 62/100- 2s - loss: 0.0146 - val_loss: 0.0144
Epoch 63/100- 2s - loss: 0.0145 - val_loss: 0.0140
Epoch 64/100- 2s - loss: 0.0142 - val_loss: 0.0136
Epoch 65/100- 2s - loss: 0.0145 - val_loss: 0.0144
Epoch 66/100- 2s - loss: 0.0142 - val_loss: 0.0137
Epoch 67/100- 2s - loss: 0.0142 - val_loss: 0.0136
Epoch 68/100- 2s - loss: 0.0142 - val_loss: 0.0137
Epoch 69/100- 2s - loss: 0.0142 - val_loss: 0.0136
Epoch 70/100- 2s - loss: 0.0142 - val_loss: 0.0136
Epoch 71/100- 2s - loss: 0.0142 - val_loss: 0.0137
Epoch 72/100- 2s - loss: 0.0142 - val_loss: 0.0137
Epoch 73/100- 2s - loss: 0.0142 - val_loss: 0.0137
Epoch 74/100- 2s - loss: 0.0142 - val_loss: 0.0136
Epoch 75/100- 2s - loss: 0.0143 - val_loss: 0.0138
Epoch 76/100- 2s - loss: 0.0144 - val_loss: 0.0137
Epoch 77/100- 2s - loss: 0.0144 - val_loss: 0.0136
Epoch 78/100- 2s - loss: 0.0143 - val_loss: 0.0136
Epoch 79/100- 2s - loss: 0.0142 - val_loss: 0.0136
Epoch 80/100- 2s - loss: 0.0143 - val_loss: 0.0135
Epoch 81/100- 2s - loss: 0.0142 - val_loss: 0.0135
Epoch 82/100- 2s - loss: 0.0143 - val_loss: 0.0136
Epoch 83/100- 2s - loss: 0.0142 - val_loss: 0.0136
Epoch 84/100- 2s - loss: 0.0143 - val_loss: 0.0135
Epoch 85/100- 2s - loss: 0.0143 - val_loss: 0.0135
Epoch 86/100- 2s - loss: 0.0143 - val_loss: 0.0135
Epoch 87/100- 2s - loss: 0.0143 - val_loss: 0.0136
Epoch 88/100- 2s - loss: 0.0143 - val_loss: 0.0136
Epoch 89/100- 2s - loss: 0.0142 - val_loss: 0.0135
Epoch 90/100- 2s - loss: 0.0143 - val_loss: 0.0136
Epoch 91/100- 2s - loss: 0.0143 - val_loss: 0.0135
Epoch 92/100- 2s - loss: 0.0144 - val_loss: 0.0136
Epoch 93/100- 2s - loss: 0.0142 - val_loss: 0.0135
Epoch 94/100- 2s - loss: 0.0142 - val_loss: 0.0135
Epoch 95/100- 2s - loss: 0.0142 - val_loss: 0.0135
Epoch 96/100- 2s - loss: 0.0144 - val_loss: 0.0135
Epoch 97/100- 2s - loss: 0.0143 - val_loss: 0.0136
Epoch 98/100- 2s - loss: 0.0142 - val_loss: 0.0134
Epoch 99/100- 2s - loss: 0.0141 - val_loss: 0.0136
Epoch 100/100- 2s - loss: 0.0142 - val_loss: 0.0136
Test RMSE: 26.489
Test R2：0.917Process finished with exit code 0

评估模型

模型拟合后，我们可以预测整个测试数据集。通过初始预测值和实际值，我们可以计算模型的误差分数。在这种情况下，我们可以计算出与变量相同的单元误差的均方根误差（RMSE）。
以及R方确定系数

Test RMSE: 26.489
Test R2：0.917

模型效果不错哦

查看全文
如若内容造成侵权/违法违规/事实不符，请联系编程学习网邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！

用存储过程往表里批量插入1000条数据
表长这个样子废话不多说，直接贴代码 delimiter // create procedure insertUserInfo() begin declare i int; set i=1; while(i<=1000)do INSERT INTO AG_USER (AG_USER_BH, AG_USER_MC, F_CRDATE, F_CHDATE, USER_AGE, USER_SEX, USER_XX, USER_CS, USER_BY, USER_YEAR, U…...
2024/5/4 17:49:58
java分隔log文件日志文件(并将代码打包成exe可执行文件)
先写java代码逻辑，然后打成jar包，可以用exe4j将jar包打包成exe可执行文件exe4j打包软件下载地址：链接: https://pan.baidu.com/s/1nMOyNVRS6PjudTOFr6zGIQ 提取码: cntf 详细可参照教程：https://blog.csdn.net/lxw1005192401/article/details/81557537java代码如下：packag…...
2024/4/26 18:25:34
常用的数据转换 : Gson fromJson()使用方法
业务需求：最近在调用自己封装的API接口的时候，API接口返回json数据，需要把json数据转为对象，进行业务判断和数据调用。封装的时候json 格式种类很多，需要分别进行数据转换：代码演示： api接口返回的 result 字符串 String result= "{\n" +" \"code\…...
2024/3/29 11:31:31
程序员高效开发,尽量避免bug的一些手法
程序员高效开发,尽量避免bug的一些手法概述最近参与了几个需求开发，BUG很少，有些需求没BUG，有些才一个BUG，搞的测试人员还发牢骚说，大佬，你负责的项目，bug都少的可怜，叫俺怎么活？哈哈，其实测试人员要感谢我才对，因为开发人员的代码质量高了，会极大的提升测试人…...
2024/4/28 14:52:31
前端JavaScript-day03 分支语句
1. 语句概念什么是表达式？一个表达式可以产生一个值，有可能是运算、函数调用、有可能是字面量。表达式可以放在任何需要值的地方。什么是语句？语句可以理解为一个行为，循环语句和判断语句就是典型的语句。一个程序有很多个语句组成，一般情况下; 分割一个一个的语句声明…...
2024/4/23 4:56:38
小程序星星评价发布
效果预览图图1.jpeg图2.jpeg图三.jpegwxml代码 <view class="container"><view class="comment1-description"><view class="star-pos" style="display:flex;flex-direction:row;"><view c…...
2024/5/4 14:37:56
RLP编码踩坑
写了一个结构体数组，需要使用rlp 进行编解码type ExchangeMgr struct {Address common.Addresssale *modules.Asset saleAmount intwant *modules.Asset wantAmount intexchangeSn []byte }编解码失败经请教大神，rlp 不支持小写字符开头的成…...
2024/3/31 18:58:58
java.sql.SQLException: Io 异常: Invalid number format for port number
使用mybatis查询测试时，报错java.sql.SQLException: Io 异常: Invalid number format for port number，具体如下：检查发现jdbc的数据源配置没有写端口号，正确写法db.properties：jdbc.hjbzf.driverClass=oracle.jdbc.driver.OracleDriver jdbc.hjbzf.url=jdbc:oracle:thin:…...
2024/3/29 11:31:31
REDIS 实战
redis 数据库基于lamp架构部署环境 # 部署redis 环境 [root@redis-master ~]# mkdir -p /data/application ---创建工作目录 [root@redis-master ~]# wget http://download.redis.io/releases/redis-4.0.9.tar.gz ---下载redis [root@redis-master ~]# tar xzf redis-4.…...
2024/4/4 4:31:28
Mysql开启远程两种方法：
1、改表在登入mysql后，更改 “mysql” 数据库里的 “user” 表里的 “host” 项，将”localhost”改称”%”如下：#mysql -u root -pEnter password:MySQL [(none)]> use mysqlMySQL [mysql]> update user set host=% where user =root;MySQL [mysql]> select host,u…...
2024/3/29 3:02:33
斐波那契数列
#include <stdio.h> /* 斐波那契数列：即输出1 1 2 3 5 8 13……第三个数等于前两个数之和。在int下，最大可输入46，再大溢出；在long long int下，最大输入92. */ int main(void) { int n; L: printf(“请输入一个大于0的整数：”); scanf("%d", &n); lo…...
2024/3/29 9:50:57
layUI treeTable设置表头浮动属性
在渲染表格的位置加上：height: full-150,比如:var insTb = treeTable.render({elem: #demoTreeTable1,data: data,tree: {iconIndex: 2},//设置标头浮动height: full-150,cols: [{type: numbers},{type: checkbox},]...
2024/4/8 20:56:17
Python进阶丨错误、调试和测试 —— 调试
调试 .print()把可能有问题的变量打印出来 def fo(s):n = int(s)print(n = {}.format(n))return 10 / ndef main():fo(0)main()输出 n = 0 Traceback (most recent call last):File ... line 4, in foreturn 10 / n ZeroDivisionError: division by zero缺点： ①使用后需要删…...
2024/3/30 19:08:37
python抓取一个网页的源代码并存储到本地文件
1.1读取一个网页的源代码： url：我们要爬取的网页链接（例如：url = “https://www.smpeizi.com”） #读取一个网页的源代码 import urllib.request def read_pageHtml(url):file = urllib.request.urlopen(url)data = file.read()return data url = "https://www.pzzs16…...
2024/4/7 19:37:19
linux下的mysql启动与停止
linux下的mysql启动与停止linux下的相关命令 linux下的相关命令 /etc/init.d/mysqld start /etc/init.d/mysqld stop /etc/init.d/mysqld restart 或 service mysqld start service mysqld stop service mysqld restart 或 service mysql start service mysql stop service mys…...
2024/3/29 11:31:22
2.ES----Logstash 安装与测试数据导入
1.下载Logstash 安装包注意版本对应,解压 2.下载movieton测试数据 ,解压得到 movies.csv 文件,复制到logstash的bin目录下 3.在config目录下新建文件 logstash.conf文件 # Sample Logstash configuration for creating a simple # Beats -> Logstash -> Elasticsearch p…...
2024/4/4 12:44:15
第7课：郭盛华课程_VB编程之如何使用For循环语句
主讲老师：郭盛华VB循环语句：经常地，当编写代码时，我们希望将一段代码执行若干次。我们可以在代码中使用循环语句来完成这项工作。Private Sub Command1_Click() Fori = 1 To 10Print i Nexti End Sub具体请看视频教程：微博@郭盛华老师...
2024/4/21 8:13:20
安装mysql8.0出现error 1042，无法正常启动解决方案
参考Retry 1: Attempting to connect to Mysql@localhost:3306 with user root with no password... MySQL error 1042: Unable to connect to any of the specified MySQL hosts.一、问题描述mysql已经发展到了8.0阶段，但是很多人在下载了安装了mysql8.0后，在快接近完成的阶…...
2024/4/9 9:41:42
Vue过滤器
1、调用的格式（）可以调用多个过滤器{{ name | 过滤器的名称1 | 过滤器名称2 | ... }}2、过滤器的定义语法Vue.filter(过滤器的名称,function(data,arg){})过滤器中的function，第一个参数是固定的，就是过滤器管道符前面传递过来的数据3、私有过滤器var vm = new Vue({el:&qu…...
2024/4/10 13:18:08
最优装载问题
题目描述：给定一艘容量为C的船，给定一批货物，货物i的重量是wi，要求在船不超重的前提下，将尽可能多的货物装上船。思路：尽可能多的装上船，就像活动安排问题一样，先对集装箱的重量从小到大排序，在集装箱重量不超过轮船载重量的情况下先装轻的，装上之后在用一个布尔型…...
2024/4/27 0:42:27

【深度学习项目实战】Keras深度学习多变量时间序列预测的LSTM模型

相关文章

最新文章

【深度学习 项目实战】Keras深度学习多变量时间序列预测的LSTM模型

相关文章

最新文章

【深度学习项目实战】Keras深度学习多变量时间序列预测的LSTM模型