当前位置：首页 > news >正文

多维时序 | Matlab实现基于VMD-DBO-LSTM、VMD-LSTM、LSTM的多变量时间序列预测

news 来源：原创 2024/5/9 12:45:49

多维时序 | Matlab实现基于VMD-DBO-LSTM、VMD-LSTM、LSTM的多变量时间序列预测

预测效果

在这里插入图片描述

基本介绍

Matlab实现基于VMD-DBO-LSTM、VMD-LSTM、LSTM的多变量时间序列预测（完整程序和数据）
1.先运行vmdtest，进行vmd分解；
2.再运行VMD-DBO-LSTM，三个模型对比；
3.运行环境Matlab2018及以上。

VMD-DBO-LSTM：变分模态分解结合蜣螂算法优化长短期记忆神经网络；
VMD-LSTM：变分模态分解结合长短期记忆神经网络；
LSTM：长短期记忆神经网络。

程序设计

完整程序和数据获取方式：私信博主回复Matlab实现基于VMD-DBO-LSTM、VMD-LSTM、LSTM的多变量时间序列预测。

clc;clear;close all;format compact
tic
clc
clear all
fs=1;%采样频率，即时间序列两个数据之间的时间间隔，这里间隔1h采样
Ts=1/fs;%采样周期X = xlsread('北半球光伏数据.xlsx','C2:E296');save origin_data XL=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---------------------------
[u, u_hat, omega] = VMD(X(:,end), alpha, tau, K, DC, init, tol);
%  参数设置
options = trainingOptions('adam', ...                 % 优化算法Adam'MaxEpochs', 70, ...                              % 最大训练次数'GradientThreshold', 1, ...                       % 梯度阈值'InitialLearnRate', 0.01, ...                     % 初始学习率'LearnRateSchedule', 'piecewise', ...             % 学习率调整'LearnRateDropPeriod', 60, ...                    % 训练850次后开始调整学习率'LearnRateDropFactor',0.2, ...                    % 学习率调整因子'L2Regularization', 0.01, ...                     % 正则化参数'ExecutionEnvironment', 'cpu',...                 % 训练环境'Verbose', 0, ...                                 % 关闭优化过程'Plots', 'training-progress');                    % 画出曲线%  训练
net = trainNetwork(vp_train, vt_train, layers, options);
%analyzeNetwork(net);% 查看网络结构

参考资料

[1] https://blog.csdn.net/kjm13182345320/category_11799242.html?spm=1001.2014.3001.5482
[2] https://blog.csdn.net/kjm13182345320/article/details/124571691