Hohe Innovation |. CEEMDAN-VMD-GRU-Attention Dual Decomposition Gated Recurrent Unit Attention Mechanism Multivariate Time Series Prediction

2024-07-12

Inhaltsverzeichnis

Effektliste

Fügen Sie hier eine Bildbeschreibung ein

grundlegende Einführung

Hohe Innovation | CEEMDAN-VMD-GRU-Attention Duale Zerlegung + Gated Recurrent Unit + Aufmerksamkeitsmechanismus multivariate Zeitreihenvorhersage
In diesem Artikel wird eine sekundäre Zerlegungsmethode basierend auf CEEMDAN vorgeschlagen, die die von CEEMDAN zerlegte Sequenz durch Probenentropie rekonstruiert. Nachdem die komplexe Sequenz durch VMD zerlegt wurde, wird jede Komponente vom GRU-Attention-Modell vorhergesagt und die Vorhersageergebnisse werden schließlich integriert.

Modelldesign

1.Matlab implementiert CEEMDAN-VMD-GRU-Attention Dual-Zerlegung + Gated-Loop-Einheit + mehrere AufmerksamkeitsmechanismenZeitreihenvorhersage(Vollständiger Quellcode und Daten)

2. CEEMDAN zerlegt, berechnet die Probenentropie, führt ein kmeans-Clustering basierend auf der Probenentropie durch, ruft VMD auf, um die Hochfrequenzkomponente zweimal zu zerlegen, und verwendet die von VMD zerlegte Hochfrequenzkomponente und Frontkomponente als zyklische Einheit mit FaltungstorModell des AufmerksamkeitsmechanismusDie Zieloutputs werden separat vorhergesagt und dann addiert.

3. Multivariable Einzelausgabe, berücksichtigen Sie den Einfluss historischer Merkmale! Zu den Bewertungsindikatoren gehören R2, MAE, RMSE, MAPE usw.

4. Der Algorithmus ist neu. Das CEEMDAN-VMD-GRU-Attention-Modell verarbeitet Daten mit höherer Genauigkeit und kann Datentrends und -änderungen verfolgen. Das VMD-Modell verarbeitet nichtlineare, instationäre und komplexe Daten und bietet eine bessere Leistung als die EMD-Reihe. Daher werden die rekonstruierten Daten durch das VMD-Modell zerlegt, um die Genauigkeit des Modells zu verbessern.

5. Es kann durch direktes Ersetzen der Excel-Daten verwendet werden. Die Anmerkungen sind klar und für Anfänger geeignet. Sie können die Hauptdatei direkt ausführen, um das Diagramm mit einem Klick auszugeben.

6. Codefunktionen: Parametrische Programmierung, Parameter können leicht geändert werden, Codeprogrammierungsideen sind klar und Kommentare sind detailliert.

Referenz 1

Fügen Sie hier eine Bildbeschreibung ein

Referenz 2
Referenz 3
Datensatz

Programmierung

Vollständige Antwort des Bloggers auf private NachrichtenCEEMDAN-VMD-GRU-Attention Dual-Zerlegung + Gated Recurrent Unit + Attention-Mechanismus multivariate Zeitreihenvorhersage。



%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

%%  数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  数据平铺
P_train =  double(reshape(P_train, f_, 1, 1, M));
P_test  =  double(reshape(P_test , f_, 1, 1, N));

t_train = t_train';
t_test  = t_test' ;

%%  数据格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);
end

for i = 1 : N
    p_test{i, 1}  = P_test( :, :, 1, i);
end

 
%%  参数设置
options = trainingOptions('adam', ...      % Adam 梯度下降算法
    'MaxEpochs', 100, ...                  % 最大训练次数 
    'InitialLearnRate', 0.01, ...          % 初始学习率为0.01
    'LearnRateSchedule', 'piecewise', ...  % 学习率下降
    'LearnRateDropFactor', 0.1, ...        % 学习率下降因子 0.1
    'LearnRateDropPeriod', 70, ...         % 经过训练后 学习率为 0.01*0.1
    'Shuffle', 'every-epoch', ...          % 每次训练打乱数据集
    'Verbose', 1);
figure
subplot(2,1,1)
plot(T_train,'k--','LineWidth',1.5);
hold on
plot(T_sim_a','r-','LineWidth',1.5)
legend('真实值','预测值')
title('CEEMDAN-VMD-CNN-GRU-Attention训练集预测效果对比')
xlabel('样本点')
ylabel('数值')
subplot(2,1,2)
bar(T_sim_a'-T_train)
title('CEEMDAN-VMD-GRU-Attention训练误差图')
xlabel('样本点')
ylabel('数值')

disp('…………测试集误差指标…………')
[mae2,rmse2,mape2,error2]=calc_error(T_test,T_sim_b');
fprintf('n')


figure
subplot(2,1,1)
plot(T_test,'k--','LineWidth',1.5);
hold on
plot(T_sim_b','b-','LineWidth',1.5)
legend('真实值','预测值')
title('CEEMDAN-VMD-GRU-Attention测试集预测效果对比')
xlabel('样本点')
ylabel('数值')
subplot(2,1,2)
bar(T_sim_b'-T_test)
title('CEEMDAN-VMD-GRU-Attention测试误差图')
xlabel('样本点')
ylabel('数值')


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86

Verweise

[1] https://hmlhml.blog.csdn.net/article/details/135536086?spm=1001.2014.3001.5502
[2] https://hmlhml.blog.csdn.net/article/details/137166860?spm=1001.2014.3001.5502
[3] https://hmlhml.blog.csdn.net/article/details/132372151

Technologieaustausch