LSTM 딥러닝 과제

21 Mar 2025 ~ 21 Mar 2025

LSTM 딥러닝 시계열 데이터 과제

seoul_pm10 미세먼지 예측 과제

코랩 dataset 폴더에 있는 seoul_pm10.csv 파일을 다운 받고, 강남구 pm10에 대한 실제값과 예측값을 시각화하여 비교하세요.

데이터 로드 : “dataset/seoul_pm10.csv” ==> encoding=’cp949’ 유의
날짜 변환 및 결측치 처리 : to_datetime
서울 지역별 원핫 인코딩
LSTM 모델에 적합한 시퀀스 데이터셋 함수 생성
데이터셋 분리 (학습 데이터, 테스트 데이터)
LSTM 모델 생성
모델 컴파일 및 학습
예측 결과 시각화

Code

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

// 1. 데이터 수집
file_path = "./sample_data/seoul_pm10.csv"  # 데이터 파일 경로
df = pd.read_csv(file_path, encoding='cp949')

// df.head()

df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)

// 결측치 처리
df['pm10'] = df['pm10'].fillna(df['pm10'].mean())
df['pm2.5'] = df['pm2.5'].fillna(df['pm2.5'].mean())

// 지역 원-핫 인코딩
df_encoded = pd.get_dummies(df, columns=['area'], prefix='area')

// 강남구 데이터만 필터링
df_gangnam = df_encoded[df_encoded['area_강남구'] == 1].copy()

// 2. 데이터 전처리
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(df_gangnam[['pm10']])

def create_dataset(dataset, look_back=60):
    X, y = [], []
    for i in range(len(dataset) - look_back):
        X.append(dataset[i:i + look_back, 0])
        y.append(dataset[i + look_back, 0])
    return np.array(X), np.array(y)

look_back = 60  # 과거 60일 데이터로 예측
X, y = create_dataset(scaled_data, look_back)
X = np.reshape(X, (X.shape[0], X.shape[1], 1))  # LSTM 입력 형태

// 3. 모델 구성
model = Sequential([
    LSTM(50, return_sequences=True, input_shape=(X.shape[1], 1)),
    LSTM(50),
    Dense(1)
])

model.compile(optimizer='adam', loss='mean_squared_error')

// 4. 모델 학습
train_size = int(len(X) * 0.8)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

model.fit(X_train, y_train, epochs=20, batch_size=32, validation_data=(X_test, y_test))

// 5. 예측 및 시각화
predictions = model.predict(X_test)
predictions = scaler.inverse_transform(predictions.reshape(-1, 1))

// 실제 값 복원
actual_pm10 = scaler.inverse_transform(y_test.reshape(-1, 1))

// 시각화
plt.figure(figsize=(14, 5))
plt.plot(actual_pm10, label="Actual Pm10", color='blue')
plt.plot(predictions, label="Predicted Pm10", color='red')
plt.title(f'Gangnam Pm10 Predicted')
plt.xlabel('Days')
plt.ylabel('Pm10')
plt.legend()
plt.show()

설명

데이터 수집
- pd.read_csv(file_path, encoding=’cp949’): CSV 파일을 읽어 데이터프레임 생성.
- df[‘date’] = pd.to_datetime(df[‘date’]): 날짜 열을 datetime 형식으로 변환.
- df.set_index(‘date’, inplace=True): 날짜를 데이터프레임 인덱스로 설정.
- df[‘pm10’].fillna(df[‘pm10’].mean()): PM10 결측치를 평균으로 채움.
- df[‘pm2.5’].fillna(df[‘pm2.5’].mean()): PM2.5 결측치를 평균으로 채움.
- pd.get_dummies(df, columns=[‘area’]): 지역 열을 원-핫 인코딩.
- df_gangnam = df_encoded[df_encoded[‘area_강남구’] == 1]: 강남구 데이터만 필터링.
데이터 전처리
- scaler = MinMaxScaler(feature_range=(0, 1)): 0~1로 스케일링하는 객체 생성.
- scaled_data = scaler.fit_transform(df_gangnam[[‘pm10’]]): PM10 데이터를 스케일링.
- def create_dataset(dataset, look_back=60): 60일 데이터를 사용해 X, y 생성 함수 정의.
- X, y = create_dataset(scaled_data, look_back): 스케일링된 데이터로 X, y 생성.
- X = np.reshape(X, (X.shape[0], X.shape[1], 1)): LSTM 입력 형태로 데이터 재구성.
모델 구성
- model = Sequential(): 순차적 모델 초기화.
- LSTM(50, return_sequences=True, input_shape=(X.shape[1], 1)): 첫 번째 LSTM 레이어.
- LSTM(50): 두 번째 LSTM 레이어.
- Dense(1): 출력 레이어.
- model.compile(optimizer=’adam’, loss=’mean_squared_error’): 모델 컴파일.

LSTM 딥러닝 과제

seoul_pm10 미세먼지 예측 과제

Code

설명

Table of Contents