用张量流预测车祸

Question

所以任务很简单。据我所知机器学习，我知道这是可能的，我现在就没有办法做到这一点。

所以基本上我想预测我的城市会发生多少次车祸。我有天气状况数据和过去有多少事故，测试或验证我的模型我想使用最新的事故数据。

weather = [[20150601 130100, 23, 60], #[year_month_day hours_mins_secs, temperature_C, humidity_%]
[20150601 130100, 23, 50],
[20150601 130200, 23, 51],
# ...
[20150601 132300, 23, 49]]

accidents = [[20150601 130700, 1], #[year_month_day hours_mins_secs, count_of_accidents
[20150601 1301000, 2], 
[20150601 1301100, 1], 
# ... 
[20150601 132300, 1]]

所以现在我想根据每个日期的温度和湿度预测每分钟的事故计数（请注意，有时输入数据不是每分钟提供一次，而且有时间间隔）。为了改进我的模型，我想每天用新的事故和天气数据来喂它。 最重要的是，最后我们将有一个程序可以说明什么时候会出现基于天气的事故，因此它可以说今天开车是安全的或不安全的。将来我会用其他数据集更新它，但现在让我们用这种方式训练它。 所以问题是如何在tensorflow上实现这一点？有人可以帮忙吗？

Answer 1

有很多方法可以解决这个问题。但是，由于您有系列数据，并且车祸可能实际上与t-n天气数据有关，因此RNN可能是一个良好的开端。

请参阅https://github.com/nlintz/TensorFlow-Tutorials/blob/master/7_lstm.py上基于RNN（LSTM）的分类示例。

我也对此感兴趣。让我知道它是怎么回事。