machine-learning - 使用 tensorflow 预测车祸

Question

所以任务有点简单。据我所知，机器学习我知道这是可能的，但我现在不知道如何做到这一点。

所以基本上我想预测我的城市将会发生多少车祸。我有天气状况数据以及过去发生的事故数量，为了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来预测每分钟的事故数量(请注意，有时并不是每分钟都提供输入数据，并且存在时间间隙)。为了改进我的模型，我想每天为其提供新的事故和天气数据。最重要的是，最终我们将拥有一个可以根据天气判断何时会发生事故的程序，从而可以判断今天驾驶是否安全。将来我将使用其他数据集更新它，但现在让我们以这种方式训练它。那么问题是如何在tensorflow上实现这一点呢？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，并且车祸实际上可能与 t-n 天气数据相关，因此 RNN 可能是一个好的开始。

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

我对此也很感兴趣。让我知道进展如何。