import numpy as np
import pandas as pd

# Установите случайное начальное число, чтобы обеспечить повторяемость.
np.random.seed(42)

# Сгенерируйте смоделированные данные временных рядов
time_steps = 1000
data = {
    'temperature': np.random.normal(20, 5, time_steps),   # Имитация температурных данных
    'humidity': np.random.normal(50, 10, time_steps),     # имитировать влажностьданные
    'wind_speed': np.random.normal(10, 2, time_steps),    # Имитация скорости ветра
    'power_consumption': np.random.normal(200, 50, time_steps)  # Имитировать энергопотреблениеданные
}

# CreateDataFrame
df = pd.DataFrame(data)

# Сохранить как файл CSV
df.to_csv('multi_feature_time_series.csv', index=False)

print("Набор данных моделирования был сохранен как multi_feature_time_series.csv")

import numpy as np
import pandas as pd

# Установите случайное начальное число, чтобы обеспечить повторяемость.
np.random.seed(42)

# Сгенерируйте смоделированные данные временных рядов
time_steps = 10000
data = {
    'temperature': np.random.normal(20, 5, time_steps),   # Имитация температурных данных
    'humidity': np.random.normal(50, 10, time_steps),     # имитировать влажностьданные
    'wind_speed': np.random.normal(10, 2, time_steps),    # Имитация скорости ветра
    'power_consumption': np.random.normal(200, 50, time_steps)  # Имитировать энергопотреблениеданные
}

# CreateDataFrame
df = pd.DataFrame(data)

# Сохранить как файл CSV
df.to_csv('multi_feature_time_series.csv', index=False)

print("Набор данных моделирования был сохранен как multi_feature_time_series.csv")

import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split

# нагрузкаданные
data = pd.read_csv('multi_feature_time_series.csv')

# исследоватьданные
print(data.head())

# Обработка пропущенных значений (если есть)
data = data.dropna()

# нормализацияданные
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data)

# Создание входных объектов и целевых переменных.
def create_dataset(dataset, time_step=1):
    dataX, dataY = [], []
    for i in range(len(dataset) - time_step - 1):
        a = dataset[i:(i + time_step), :]
        dataX.append(a)
        dataY.append(dataset[i + time_step, -1])  # Предположим, что целевая переменная — это последний столбец.
    return np.array(dataX), np.array(dataY)

time_step = 10
X, y = create_dataset(scaled_data, time_step)

# Разделите данные на обучающий набор и тестовый набор.
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Проверьте форму
print(X_train.shape, y_train.shape, X_test.shape, y_test.shape)

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# Здание LSTMМодель
model = Sequential()
model.add(LSTM(50, return_sequences=True, input_shape=(time_step, X_train.shape[2])))
model.add(LSTM(50, return_sequences=False))
model.add(Dense(25))
model.add(Dense(1))

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

# Модель обучения
history = model.fit(X_train, y_train, epochs=100, batch_size=64, validation_data=(X_test, y_test), verbose=1)

# Предварительный просмотр тренировочного процесса
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.title('Model Loss')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.show()

# Модель оценки
train_predict = model.predict(X_train)
test_predict = model.predict(X_test)

# денормализованное прогнозируемое значение
train_predict = scaler.inverse_transform(np.concatenate((np.zeros((train_predict.shape[0], scaled_data.shape[1]-1)), train_predict), axis=1))[:, -1]
test_predict = scaler.inverse_transform(np.concatenate((np.zeros((test_predict.shape[0], scaled_data.shape[1]-1)), test_predict), axis=1))[:, -1]

# денормализованное фактическое значение
y_train_actual = scaler.inverse_transform(np.concatenate((np.zeros((y_train.shape[0], scaled_data.shape[1]-1)), y_train.reshape(-1, 1)), axis=1))[:, -1]
y_test_actual = scaler.inverse_transform(np.concatenate((np.zeros((y_test.shape[0], scaled_data.shape[1]-1)), y_test.reshape(-1, 1)), axis=1))[:, -1]

# Предварительный просмотр результатов прогноза
plt.figure(figsize=(14, 5))
plt.plot(y_test_actual, color='blue', label='Actual Value')
plt.plot(test_predict, color='red', label='Predicted Value')
plt.title('Actual vs Predicted')
plt.xlabel('Time')
plt.ylabel('Value')
plt.legend()
plt.show()