用张量流预测车祸

Question

所以这个任务很简单。就我所知的机器学习而言，我知道这是可能的，但我现在还没有办法做到这一点。

所以基本上我想预测我的城市会有多少车祸。我掌握了天气状况的数据，以及过去发生过多少事故，并测试或验证了我的模型，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]] 

所以现在我想预测事故计数基于温度和每日期湿度每分钟（注意，有时输入数据不提供每分钟，并且有时间差距）。为了改善我的模型，我希望每天都能为它提供新的事故和天气数据。 底线是最后我们会有一个程序，可以根据天气情况说出什么时候会发生事故，因此可以说今天驾驶是安全或不安全的。将来我会用其他数据集进行更新，但现在让我们以这种方式进行培训。 所以问题是如何使这在tensorflow上发生？有人可以帮忙吗？

Answer 1

会有很多方法来处理这个问题。但是，由于您有系列数据，而且车祸实际上可能与t-n天气数据有关，RNN可能是一个好的开始。

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

我也对此感兴趣。让我知道事情的后续。