对于利用经验模态分解+LSTM/BP组合模型对时间序列预测的一点想法

老师给研究思路后，看到本领域有相关论文是用类似组合模型对时间序列进行预报，因其论文内对训练集和测试集的划分不是很明确，一直有这个疑问：是否存在数据泄漏？于是首先采用了先划分训练集和测试集，然后分别对训练集和测试集进行分解，再训练模型进行预报，结果不尽如人意，误差极大甚至不如单独的LSTM模型或是BP模型；之后又尝试了对整个数据集进行分解，然后再划分训练集和测试集，结果精度出乎意料的高。针对这个问题，查阅了一些博主的分析，比如这位博主写的。https://blog.csdn.net/JasonDean/article/details/122396431?spm=1001.2014.3001.8078#comments_21105533

之后我不确定已发出的论文在训练集、测试集划分和模态分解的先后顺序上是否有问题，和老师进行了讨论，老师的意思差不多是水出来一篇没太大问题，但我不会让你这么写，于是放弃了，转而使用ARIMA+LSTM分别针对线性主要成分以及非线性残差做预测，效果还不错。

最近在写文献综述时又考虑到这个问题，突然想到，先不谈他划分与分解的问题，还存在其他的数据泄漏可能。

我们做时间序列预测，通常采用前m个数据来预测后n个数据，其训练集重构为监督学习的形式就是：

X                     Y

t-1,t-2,...          t,t+1,...

此时训练集并非为原始数据集，X、Y应由分解后的某个imf分量重构得到，t-1,t-2,...时刻的X、Y序列必然包含原始数据集t,t+1,...时刻的信息，个人认为这种模态分解法不适合应用于时间序列的预测。

权当写给自己的笔记了