【CEEMDAN-VMD-Transformer-LSTM】双重分解+Transformer-LSTM多变量时序预测，多变量输入模型。matlab代码，2023b及其以上。1.CEEMDAN分解，

【CEEMDAN-VMD-Transformer-LSTM】双重分解+Transformer-LSTM多变量时序预测，多变量输入模型。matlab代码，2023b及其以上。

1.CEEMDAN分解，计算样本熵，根据样本熵进行kmeans聚类，调用VMD对高频分量二次分解，VMD分解的高频分量与前分量作为Transformer-LSTM模型的目标输出分别预测后相加。

2.CEEMDAN-VMD-Transformer-LSTM模型处理数据，具有更高的准确率，能够跟踪数据的趋势以及变化。VMD 模型处理非线性、非平稳以及复杂的数据，表现得比EMD 系列更好，因此将重构的数据通过VMD 模型分解，提高了模型的准确度。

评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。参数可方便更改，程序和excel数据放在一个文件夹，注释明细。

num_size = 0.8; % 训练集占数据集比例

num_train_s = round(num_size * num_samples); % 训练集样本个数

%% 以下几行代码是为了方便归一化，一般不需要更改！

P_train = res(1: num_train_s,1);

P_train = reshape(cell2mat(P_train)',n_in*or_dim,num_train_s);

T_train = res(1: num_train_s,2);

T_train = cell2mat(T_train)';

P_test = res(num_train_s+1: end,1);

P_test = reshape(cell2mat(P_test)',n_in*or_dim,num_samples-num_train_s);

T_test = res(num_train_s+1: end,2);

T_test = cell2mat(T_test)';

%% 划分训练集和测试集

M = size(P_train, 2);

N = size(P_test, 2);

orm = size(P_train,1) ; % 记录特征数据维度

n_out = 1 ; % % 预测步长

% 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);

智能算法及其模型预测