强推！创新直发核心！时序分解+优化组合+模子对比！VMD-SSA-Transformer-Bi
强推！创新直发核心！时序分解+优化组合+模子对比！VMD-SSA-Transformer-BiLSTM多变量时间序列预测结果一览
https://i-blog.csdnimg.cn/direct/329f0e15838c4d7d968bf59df922031a.png
https://i-blog.csdnimg.cn/direct/5c15cf67954f4598b6116ef8d6b25bbf.png
https://i-blog.csdnimg.cn/direct/2ecf4377879144fbbfac4f83092a9f21.png
https://i-blog.csdnimg.cn/direct/01b9517a614c4666af66344e5dd81851.png
https://i-blog.csdnimg.cn/direct/7209e09046714b7e8f374628a3918cdd.png
https://i-blog.csdnimg.cn/direct/ba70310d5809406880e4e20d4f71f8e7.png
https://i-blog.csdnimg.cn/direct/125c788add8f4682ae3824de96403ead.png
https://i-blog.csdnimg.cn/direct/67fa31521adf4ea2b60c6d1186a505a8.png
https://i-blog.csdnimg.cn/direct/1f793b513f004629876fcfbcbfc71054.png
基本介绍
1.强推！创新直发核心！时序分解+优化组合+模子对比！VMD-SSA-Transformer-BiLSTM多变量时间序列预测，变分模态分解+麻雀搜刮算法优化Transformer联合双向黑白期记忆神经网络多变量时间序列预测（步伐可以作为核心级论文代码支撑，目前尚未发表）；
2.麻雀搜刮算法优化参数为：学习率、隐含层单位数目、最大练习周期，运行环境为Matlab2023b及以上；
3.数据集为excel（光伏功率数据集，输入辐射度、气温、气压、湿度，输出光伏功率），输入多个特征，输出单个变量，思量历史特征的影响，多变量时间序列预测，主步伐运行即可，全部文件放在一个文件夹；
4.下令窗口输出R2、MSE、RMSE、MAE、MAPE、MBE等多指标评价。
先运行main1_VMD，进行vmd分解；再运行main2_SSA_Transformer_BiLSTM，三个模子对比；注意：一种算法不是全能的，不同的数据集结果会有差别，反面的工作就是需要调整参数。
数据集
https://i-blog.csdnimg.cn/direct/87678c20c9cb4aad8284cf11166c50a5.png
参考文献
https://i-blog.csdnimg.cn/direct/aeb105e3a099406fa739c8df31353325.png
步伐设计
[*]完备步伐和数据获取方式私信博主复兴时序分解+优化组合+模子对比！VMD-SSA-Transformer-BiLSTM多变量时间序列预测（Matlab）。
X = xlsread('北半球光伏数据.xlsx','C2:E296');
save origin_data X
L=length(X);%采样点数,即有多少个数据
t=(0:L-1)*Ts;%时间序列
STA=0; %采样起始位置，这里第0h开始采样
%--------- some sample parameters forVMD：对于VMD样品参数进行设置---------------
alpha = 2500; % moderate bandwidth constraint：适度的带宽约束/惩罚因子
tau = 0; % noise-tolerance (no strict fidelity enforcement)：噪声容限（没有严格的保真度执行）
K = 5; % modes：分解的模态数
DC = 0; % no DC part imposed：无直流部分
init = 1; % initialize omegas uniformly：omegas的均匀初始化
tol = 1e-7
%--------------- Run actual VMD code:数据进行vmd分解---------------------------
= VMD(X(:,end), alpha, tau, K, DC, init, tol);
%重构数据集
for i = 1: num_samples - kim - zim + 1
res(i, :) = ;
end
% 训练集和测试集划分
outdim = 1; % 最后一列为输出
num_size = 0.7; % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征维度
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
= mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);
= mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);
参考资料
https://blog.csdn.net/kjm13182345320/article/details/127931217
https://blog.csdn.net/kjm13182345320/article/details/127418340
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]