多维时序 | Matlab实现VMD-CNN-GRU变分模态分解结合卷积神经网络门控循环单元多变量时间序列预测

多维时序 | Matlab实现VMD-CNN-GRU变分模态分解结合卷积神经网络门控循环单元多变量时间序列预测

预测效果

基本介绍

1.Matlab实现VMD-CNN-GRU变分模态分解结合卷积神经网络门控循环单元多变量时间序列预测；

2.运行环境为Matlab2021及以上；

3.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测；

4.data为数据集，main1_VMD.m、main2_VMD_CNN_GRU.m为主程序，运行即可,所有文件放在一个文件夹；

5.命令窗口输出R2、MSE、MAE、MAPE和RMSE多指标评价；

VMD-CNN-GRU是一种结合了变分模态分解（VMD）、卷积神经网络（CNN）和门控循环单元（GRU）的多变量时间序列预测模型。这种模型在处理复杂时间序列数据时，能够有效地提取特征、捕捉时间依赖关系，并进行准确的预测。

首先，变分模态分解（VMD）是一种自适应的信号处理方法，能够将原始时间序列数据分解为一系列具有不同频率的子序列。这种分解有助于提取出数据中的关键特征，并降低噪声对预测结果的影响。

接下来，卷积神经网络（CNN）被用于进一步处理这些子序列。CNN具有强大的特征提取能力，能够自动学习并提取出子序列中的有用信息。通过卷积操作，CNN可以有效地捕捉到数据中的局部特征和空间依赖关系。

然后，门控循环单元（GRU）被用来处理经过CNN处理后的数据。GRU是一种循环神经网络（RNN）的变体，它具有更好的长期依赖关系捕捉能力。通过GRU的更新门和重置门机制，模型可以学习到时间序列数据中的时间依赖关系，并生成准确的预测结果。

程序设计

• 完整程序和数据获取方式资源处下载Matlab实现VMD-CNN-GRU变分模态分解结合卷积神经网络门控循环单元多变量时间序列预测。

%%  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

%%  导入数据
res =xlsread('data.xlsx');

%%  数据分析
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

%%  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);

f_ = size(P_train, 1);                  % 输入特征维度

%%  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);

% 输入特征
    sequenceInputLayer([numFeatures,1,1],'name','input')   %输入层设置
    sequenceFoldingLayer('name','fold')         %使用序列折叠层对图像序列的时间步长进行独立的卷积运算。
    % CNN特征提取
    convolution2dLayer([3,1],16,'Stride',[1,1],'name','conv1')  %添加卷积层，64，1表示过滤器大小，10过滤器个数，Stride是垂直和水平过滤的步长
    batchNormalizationLayer('name','batchnorm1')  % BN层，用于加速训练过程，防止梯度消失或梯度爆炸
    reluLayer('name','relu1')       % ReLU激活层，用于保持输出的非线性性及修正梯度的问题
      % 池化层
    maxPooling2dLayer([2,1],'Stride',2,'Padding','same','name','maxpool')   % 第一层池化层，包括3x3大小的池化窗口，步长为1，same填充方式
    % 展开层
    sequenceUnfoldingLayer('name','unfold')       %独立的卷积运行结束后，要将序列恢复
    %平滑层
    flattenLayer('name','flatten')
    
   gruLayer(25,'Outputmode','last','name','hidden1') 
    dropoutLayer(0.2,'name','dropout_1')        % Dropout层，以概率为0.2丢弃输入

    fullyConnectedLayer(1,'name','fullconnect')   % 全连接层设置（影响输出维度）（cell层出来的输出层） %

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