基于TVFEMD-SE-CNN-MWOA-BiLSTM的时间序列预测(以风速为例)

基于TVFEMD分解、样本熵SE信号重构、CNN特征提取、改进的鲸鱼优化算法优化BiLSTM的时间序列预测，另外含有6个对比算法

0. 选择美国国家海洋局一年的风速数据，选择一个月数据集作为测试；

1. 利用TVFEMD分解对原始风速数据进行处理，得到多个imf分量；

2. 根据样本熵计算熵值，然后对这些分量进行聚合；

3. 利用CNN提取数据特征后，得到一个多维矩阵，将矩阵输入到MWOA-BiLSTM模型中进行预测；

4. 改进的鲸鱼优化算法MWOA，改进策略首先利用Circle混沌序列取代原始算法中随机产生的初始种群，提高初始个体的多样性；其次，提出一种逐维小孔成像

反向学习策略,增加寻优位置的多样性，提高算法摆脱局部最优的能力；最后，提出融合贝塔分布和逆不完全Γ 函数的自适应权重,在保留鲸鱼优化算法优点的前提下，

协调算法的搜索能力；

5. 每个预测结果累加起来即为最终预测结果。

6. 对比算法：LSTM、BiLSTM、MWOA-BiLSTM、CNN-MWOA-BiLSTM、TVFEMD-CNN-MWOA-BiLSTM、TVFEMD-SE-CNN-MWOA-BiLSTM。