AI预测-VMD-CNN-LSTM时序预测

AI预测相关目录

AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容
最好有基础的python算法预测经验

  1. EEMD策略及踩坑
  2. VMD-CNN-LSTM时序预测

文章目录

  • AI预测相关目录
  • 一、VMD介绍
  • 二、CNN-LSTM
  • 三、VMD与CNN-LSTM的适配性
    • 1.VMD
    • 2.cnn-lstm
  • 总结

一、VMD介绍

VMD（变分模态分解）是一种信号处理技术，用于将复杂的非线性或非平稳信号分解成多个模态信号。它通过自适应的方式确定信号的模态分解个数，并能够匹配每种模态的最佳中心频率和有限带宽，从而实现信号的有效分解。VMD的核心思想是构建和求解变分问题，以获得给定信号的有效分解成分。

VMD有一些可调参数，例如带宽约束参数alpha、噪声容忍度参数tau、模态数量参数K和直流分量参数DC等。这些参数可以影响VMD的分解效果，通过调整这些参数可以获得更好的分解结果。

对于非线性或非平稳信号，vmd具有比较不错的特征提取效果，可以用于风速等变化规律不明确的数据相关预测类任务。

二、CNN-LSTM

CNN-LSTM是一种结合了卷积神经网络（CNN）和长短期记忆网络（LSTM）的特点的深度学习算法模型。CNN部分通常包含多个卷积层、池化层和激活函数，用于提取输入数据的局部特征。提取出的特征会被送入LSTM部分进行处理。LSTM部分通常包含多个LSTM层，用于处理序列数据。在每个时间步，LSTM层会接收来自CNN部分的特征，并输出一个隐藏状态，该隐藏状态会传递给下一个时间步。LSTM的隐藏状态会在最终时间步被用于生成最终的预测结果或分类标签等。

三、VMD与CNN-LSTM的适配性

VMD-CNN-LSTM模型的设计源自于VMD与CNN-LSTM的适配性。
VMD对时序数据挖掘后，将单维度数据转化为2维度特征矩阵
在这里插入图片描述
在这里插入图片描述
而cnn模型本身是对图像等二维数据进行特征提取效果非常优质是算法，用其对vmd分解后的特征数据进行进一步特征提取后，输入到lstm模型拟合时序时序数据，可以取得比较好的结果。

三、代码示例

1.VMD

def vmd_decompose(series=None, alpha=2000, tau=0, K=10, DC=0, init=1, tol=1e-7, draw=True):
    """
    对给定的时间序列进行 VMD 分解。

    参数：
    - series：输入的时间序列。
    - alpha：在 VMD 模型中平衡数据拟合项和平滑项的权重参数。
    - tau：控制模式的时间局部性和频率局部性之间权衡的时间步参数。
    - K：要分解的模式数量。
    - DC：是否包括直流（趋势）分量在分解中的标志。
    - init：模式的初始化方法。
    - tol：用于确定算法收敛的容差值。
    - draw：是否绘制模式的标志。

    返回：
    - df_vmd：包含 VMD 模式的 DataFrame，每个模式作为列。

    """

    # 执行 VMD 分解
    imfs_vmd, imfs_hat, omega = VMD(series, alpha, tau, K, DC, init, tol)

    # 将 VMD 模式转换为 DataFrame
    df_vmd = pd.DataFrame(imfs_vmd.T)
    df_vmd.columns = ['imf'+str(i) for i in range(K)]

    return df_vmd

2.cnn-lstm

代码如下（示例）：

model = Sequential()  # 创建Sequential模型。
model.add(LSTM(128, input_shape=(trainX.shape[1], trainX.shape[2]), return_sequences=True))  # 添加LSTM层，指定输入形状和输出形状。
model.add(Conv1D(filters=512, kernel_size=1, activation='relu', input_shape=(trainX.shape[1], trainX.shape[2])))  # 添加一维卷积层。
model.add(MaxPooling1D(pool_size=1))  # 添加最大池化层。
model.add(Dropout(0.2))  # 添加Dropout层，用于正则化。
model.add(Activation('relu'))  # 添加激活函数层。
model.add(Flatten())  # 添加扁平化层。
model.add(Dense(1))  # 添加全连接层。
model.compile(loss='mse', optimizer='adam')  # 编译模型，指定损失函数、优化器和评估指标。
model.fit(trainX, y_train, epochs=100, batch_size=32, verbose=1, validation_split=0.1)  # 训练模型。

总结

完结，撒花！