はじめに

前回はデータの取得、モデルの構築を行った。

今回はパラメータを調整しながら精度について検討していく。

Model 1

LSTMで、パラメータは以下の通り。

# Hyperparameters -------------------------------------
time_step = 240
BATCH_SIZE = 1024
BATCH_SIZE_test = 512
n_hidden = 128
n_layers = 1
LEARNING_RATE = 0.00005
EPOCHS = 100 
# -----------------------------------------------------

直前の10日分のデータから予測を行う。

損失関数の値の推移

訓練データでは0.000203、テストデータでは0.000270付近で収束した。

予測の様子

おおむねよく予測できているが、2枚目のように直前のパターンと違った動きをすると対応できていない。
2枚目のように1日後の予測が大きく外れても2日目に良い予測ができているのが面白い。
安定した気象パターンのときの気温に対する性能は高いようである。

時間ごとの誤差に関する統計

平均誤差は3～4時間後の予測で1度、17～18時間後の予測で2度程度となった。大きく誤差が生まれることもあったが、75%は3度以内に収まっていた。

Model2

同じくLSTMで、隠れ層の数を2に変更した。

# Hyperparameters -------------------------------------
time_step = 240
BATCH_SIZE = 1024
BATCH_SIZE_test = 512
n_hidden = 128
n_layers = 1
LEARNING_RATE = 0.00005
EPOCHS = 100 
# -----------------------------------------------------

損失関数の値の推移

Model1とほぼ同じ値に収束した。気温のみのデータではこれが最小値になっているのかもしれない。

予測の様子

時間ごとの誤差に関する統計

Model1と比べて有意な差はみられなかった。

終わりに

隠れノード数を他にも試したが、ある程度大きい数ならば差はみられなかった。次回は気温以外のデータも用いて精度が上がるか確かめたい。