Обмен технологиями

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Список эффектов

базовое введение

Высокие инновации | КЕМДАН-VMD-GRU-Двойная декомпозиция внимания + вентильный рекуррентный блок + механизм внимания, многомерное предсказание временных рядов
В этой статье предлагается метод вторичной декомпозиции, основанный на CEEMDAN, который восстанавливает последовательность, разложенную CEEMDAN, с помощью энтропии выборки. После того, как сложная последовательность разлагается с помощью VMD, каждый компонент прогнозируется моделью GRU-Attention, и результаты прогнозирования окончательно интегрируются.

Дизайн модели

1.Matlab реализует двойную декомпозицию CEEMDAN-VMD-GRU-Attention + блок замкнутого цикла + несколько механизмов внимания.прогнозирование временных рядов(Полный исходный код и данные)

2. CEEMDAN разлагает, вычисляет энтропию выборки, выполняет кластеризацию kmeans на основе энтропии выборки, дважды вызывает VMD для разложения высокочастотной составляющей и использует высокочастотную составляющую и переднюю составляющую, разложенную VMD, в качестве циклической единицы со стробированием свертки.Модель механизма вниманияЦелевые результаты прогнозируются отдельно, а затем суммируются.

3. Одиночный выход с несколькими переменными, учитывайте влияние исторических характеристик! Индикаторы оценки включают R2, MAE, RMSE, MAPE и т. д.

4. Алгоритм новый. Модель CEEMDAN-VMD-GRU-Attention обрабатывает данные с более высокой точностью и может отслеживать тенденции и изменения данных. Модель VMD обрабатывает нелинейные, нестационарные и сложные данные и работает лучше, чем серия EMD. Поэтому реконструированные данные разлагаются с помощью модели VMD, чтобы повысить точность модели.

5. Его можно использовать путем прямой замены данных Excel. Аннотации понятны и подходят для новичков. Вы можете напрямую запустить основной файл для вывода графика одним щелчком мыши.

6. Особенности кода: параметрическое программирование, параметры можно легко изменить, идеи программирования кода понятны, комментарии подробны.

• Ссылка 1

• Ссылка 2
  
• Ссылка 3
• 
  
  набор данных
  

программирование

• Завершить программу, ответить блоггеру в личном сообщенииCEEMDAN-VMD-GRU-Двойная декомпозиция внимания + вентильный рекуррентный блок + механизм внимания, многомерное прогнозирование временных рядов。

%%  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

Рекомендации

[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