时序数据利用EEMD_LSTM模型进行预测（Python编程，数据集和代码均在压缩包，解压缩后可以直接运行，数据可以替换为股票数据，交通流量等时序数据）

运行效果(为减少录屏时间，视频中epoch设置为30，改为100效果更佳):利用EEMD_LSTM模型对时序数据进行预测（视频中epoch为30，当为100 的时候效果更佳）_哔哩哔哩_bilibili

1.数据介绍：以每天为间隔的时序数据

第一列Oxygen Consumption(氧耗)  第二列Ammonia Nitrogen(氨氮)，第三列PH,第四列（Dissolved Oxygen）溶解氧

 目标：根据已知时间内的四列特征预测未来的溶解氧含量（第四列）

2.模型：EEMD_LSTM

EEMD是一种信号分解方法，它将信号分解成多个本征模态函数（IMFs），这些IMFs具有不同的频率特征。

本份代码实现了对时序数据的预测，具体地，它使用了 EEMD（Ensemble Empirical Mode Decomposition） 对时序数据进行分解，并且对分解出来的每一个 IMFs（Intrinsic Mode Functions） 进行 LSTM 模型的训练和预测，最后将多个 IMFs 的预测结果进行加权平均得到最终的预测结果。

这段代码的具体实现如下：

1. 引入必要的库和模块，包括 numpy、pandas、sklearn、keras、matplotlib 等。
2. 实现数据分割函数 data_split，将原始数据集划分为训练集和测试集，并且对每个数据窗口内的数据进行划分，分成输入和输出序列，用于训练 LSTM 模型。
3. 实现数据预处理函数 data_split_LSTM，对训练集和测试集的输入和输出数据进行 reshape 处理，以符合 LSTM 模型的输入要求。（该模型用于对时间序列数据进行预测，主要用于股票价格、气温、交通流量等的预测。其中，输入数据的形状为（样本数量，时间步长，特征数量），输出数据的形状为（样本数量，预测步长，特征数量）。该模型使用均方误差作为损失函数，Adam优化算法进行优化，使用回调函数进行模型保存。）
4. 实现 IMFs 分解函数 imf_data，对原始时序数据进行 EEMD 分解，并将分解出来的多个 IMFs 作为 LSTM 模型的输入。
5. 实现 LSTM 模型函数 LSTM_Model，其中包括模型的定义、编译、训练和保存等操作。
6. 实现异常值检测函数 isolutionforest，使用 IsolationForest 算法对输入数据进行异常值检测。
7. 实现绘图函数 plot_curve，用于绘制预测结果和真实结果的对比曲线。
8. 最后，调用各个函数完成对原始时序数据的分解、模型训练和预测、预测结果的加权平均等操作，得到最终的预测结果。

3.结果：
3.1测试集分解信号如图所示

3.2.测试集 预测值与真实值比较

 指标：

对项目感兴趣的可以关注最后一行：

import numpy as np
import pandas as pd

from pandas import read_csv
from pandas import DataFrame
from datetime import datetime
from matplotlib import pyplot
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import LabelEncoder
from sklearn.ensemble import IsolationForest
from PyEMD import EEMD
#代码：https://mbd.pub/o/bread/ZJiZm5ps 数据可以替换为股票数据，交通流量等时序数据。