基于 LSTM 的气温预测及可视化 (Temperature prediction and visualization based on LSTM Project)
通过使用python所提供的bs4工具类，我们从中国天气网站上爬取到了北京、上海、广州、郑州4个城市从2011年到2021年共十年间的3652条数据，每条数据包括日期、天气、温度（分为最高温度和最低温度）、和风向，其中我们主要针对温度进行数据分析和预测：
对于我们的项目而言，我们直接使用过去的温度数据对未来进行预测，输入的特征维度为1，我们计划在每个小批量中，使用过去5天的数据来预测下一天的数据，故数据的维度为（batch_size, dimension），而由于循环神经网络要求输入为时间序列，我们需要将数据的格式转变为（batch_size, 1, dimension）。然后通过引入Python内置的Dataset数据集类作为工具，划分小批量，然后根据给定的比率拆分训练集、测试集，最终可供算法模型进行训练。过程如下图：
通过利用LSTM时间序列的特性，我们就可以非常方便地处理序列数据。而温度数据以时间为轴适中连续排列，正符合这一特点，我们将清洗过的数据转变维度之后直接按小批量输入到LSTM网络中进行训练，通过不断地再每轮（epoch）训练中进行梯度下降计算，并不断打印出当前的损失函数值（Train Loss），使得模型最终可以实现收敛。 由于LSTM网络最终输出的为一个向量，而我们最终需要一个整数类型（与原始数据保持一致）的温度，所以我们需要对LSTM算法模型的输出后插入一个线性回归作为稠密层，将输出维度转换成最终1维的向量（温度）。
