교통 시계열 데이터를 입력으로 받아 미래 데이터 평균속도 값을 예측하는 time series forecasting 대한 설명 입력 데이터 형태 : 다변량 시계열 데이터
웹페이지 구현 후 API 형태로 사용자에게 input_data_file을 입력받아 모델학습 및 데이터 전처리 진행
lstm_model_parameter = {
"best_model_path": './check', # 학습 완료 모델 저장 경로
"model_name": '/lstm.h5'
"parameter": {
"input_size" : 1, # 데이터 변수 개수, int
"output_size" : 1, # 데이터 변수 개수, int
"window_size" : 48, # input sequence의 길이, int
"time_step" : 1, # 예측할 길이, int
"patience" : 50, # 학습 시 참는 범위 설정
"lstm_layers" : 3, # layer 깊이 수
"forecast_step" : 1, # 예측할 미래 시점의 길이, int
"hidden_size" : 64, # hidden state의 차원, int(default: 64, 범위: 1 이상)
"dropout" : 0.2, # dropout 확률, float(default: 0.1, 범위: 0 이상 1 이하)
"epochs" : 200, # 학습 epoch 횟수, int(default: 150, 범위: 1 이상)
"batch_size" : 64, # batch 크기, int(default: 64, 범위: 1 이상, 컴퓨터 사양에 적합하게 설정)
"device" : 'cuda' # 학습 환경, (default: 'cuda', ['cuda', 'cpu'] 중 선택)
}
}
preprocessing = {
"conzon_id" = "콘존ID"
"vds_id" = "VDS_ID"
"drop_col" = ['집계일자', '집계일', '집계시분']
"index" = "집계날
}