​

 测试集效果图（区域放大可以自己调整坐标，想放大哪部分都可以）

​编辑

 1.运行效果：

交通流量预测(python代码，压缩包中带有数据，CNN_GRU,CNN_BiGRU_ATTENTION,LSTM三种不同模型，解压缩三份代码可以直接运行)_哔哩哔哩_bilibili

环境库版本（如果库版本不一样， 一般也可以运行，这里展示我运行时候的库版本，是为了防止你万一在你的电脑上面运行不了，可以按照我的库版本进行安装并运行）

​编辑

2.数据来源：美国单方向交通流量（15条道路）

数据开始位置(每个15分钟采集数据，从9/03/2018 0:00开始，一直到10/31/2018 23:55，一共有12096行数据)

​编辑

数据截止位置 

​编辑

3.关于特征与标签选择（在交通流量预测方面主要有以下三种方式，本文是第二种）

3.1.第一种方式如下图所示

​编辑

每一行前14列（黄色部分） 作为特征输入，每一行的第15列值作为标签（蓝色部分）

这种方法非常不建议，因为，虽然拟合效果好，但是用同一时刻发生采集的数据作为特征和标签，没有实用性。

3.2.第二种方式如下图所示

​编辑

前6行的15列数据（黄色部分）作为特征输入，第7行的第十五列数据（蓝色部分）为标签。 

根据已获取的历史数据预测下一个时间点或者未来多个时间点 更符合实际。

 目前代码是对未来一个点的预测，如果需要对未来时刻多个点的预测，可以私信。

 3.3.第三种方式如下图所示

​编辑

 前6行的14列数据（黄色部分）作为特征输入，第7行的第十五列数据（蓝色部分）为标签。 

这种看起来更高级一些，但是结合实际情况，15列的历史数据是现实中能获取到的，特征输入没有必要故意不用第15列的历史数据 ，所以这份数据集，我推荐第二种，其它数据集可能第三种方案更符合实际情况。

4.项目文件

​编辑

第一个文件：CNN_GRU表格，装载的是CNN_GRU.py预测的测试集结果

第二个文件：CNN_GRU.py

第三个文件是数据，data15表格装载的是美国交通流量数据

第四个文件：GRU表格，转载的是GRU.py预测的测试集结果和测试集真实值

第五个文件：GRU.py

第六个文件：LSTM表格，转载的是LSTM.py预测的测试集结果和测试集真实值

第七个文件：LSTM.py

第八个文件：LSTM_Transform表格，转载的是LSTM_Transform预测的测试集结果和测试集真实值

第九个文件：LSTM_Transform

第十个文件：plt.py是读取四个不同程序对测试集预测的结果，并与测试集真实值进行对比。

第九个文件：version.py是展示环境库目前的版本

4.结果对比（选取测试集里的最后一天进行绘图展示：10/31/2018）：

​编辑

对代码和数据集感兴趣的 ，可以关注最后一行：

# 导入所需的库
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn import preprocessing
from sklearn.metrics import mean_squared_error
from sklearn.metrics import mean_absolute_error
from math import sqrt
from keras.layers import *
from keras.models import *
from sklearn import preprocessing
from pandas import DataFrame

​