五花八门的机器学习预测？一篇搞定不行吗？

网络上看到很多机器学习预测的代码，各种各样的排列组合，什么TCN，CNN，LSTM，BILSTM，GRU，BiGRU，Attention机制，然后又是什么CNN-LSTM，CNN-BILSTM，CNN-BiGRU……等等等等。

今天作者要推出一个机器学习预测全家桶。

具体包含以下：

单模型预测

BiGRU，BiLSTM，CNN，GRU，LSSVM，LSTM，多元回归函数regress，TCN，SVM

组合模型预测

CNN-BiGRU，CNN-BiGRU-ATTENTION，CNN-BiLSTM，CNN-BiLSTM-ATTENTION，CNN-GRU，CNN-LSSVM，CNN-LSTM，CNN-SVM。

以及结合VMD的几个代码：VMD-CNNBiLSTM，VMD-CNNGRU，VMD-CNNLSTM。其实当你学会了其中一个，其他的照虎画猫也就都出来了。

代码获取方式放在文末了哈！

以上只是比较常用的几个，后续大家有需要的直接后台留言，我会继续在这个全家桶里边更新！

承诺该全家桶永久更新！

后续考虑继续将上述模型全部变为多步预测模型，以及会添加比较传统的各种神经网络（BP,RBF,PNN,KNN等等），极限学习机，随机森林等等方法。

---

数据准备

数据集统一采用新疆某地风电发电功率数据。

数据包含特征如下：测风塔10m风速(m/s) 、测风塔30m风速(m/s) 、测风塔50m风速(m/s) 、测风塔70m风速(m/s)、 轮毂高度风速(m/s) 、测风塔10m风向(°) 、测风塔30m风向(°) 、测风塔50m风向(°) 、测风塔70m风向(°)、 轮毂高度风向(°) 、温度(°) 、气压(hPa)、 湿度(%) 实际发电功率（mw）。部分数据截图如下：

选取3月份数据，每个样本组成为：延时步长为10，跨时间步长为1。也就是采用前10个样本的所有特征，去预测下一个样本的发电功率。

以表格中数据为例，以2019年1月1日0点~2019年1月1日2点的所有数据（包括功率）组合起来放一块并变成一行，然后把2点15的数据也组合到这一行，这就形成了第一个样本。最后一列是2点15的功率。就这样以此类推，得到好多好多样本。然后划分训练集和测试集就ok了。

结果展示

每种方法的精度不一致，与自身的参数有关。对于这个风电数据来说，每个方法的效果都差不多。

一般去调整，“隐含层节点个数，学习率，训练次数，正则化参数”。调整这几个参数，就完全够用了。现在结合一些智能优化算法优化这些机器学习预测的，也无非就是调整一下这几个参数而已。

这里的参数，作者只是调了个大概，不至于很差。对于精度差的，并不代表这个方法就不好！大家可以调整参数已达到更好的效果！

分为单个模型预测，和组合模型预测进行介绍：

每个模型跑完之后，都会有一个训练集效果对比图，一个预测集效果对比图，和一个误差曲线图，并在命令窗口打印5种指标。

由于篇幅原因，只放前三个方法的预测结果图了，其他的模型都只放指标。

单个模型预测结果：

BiGRU：

CNN：

---

BiLSTM:

---

GRU:

---

LSSVM：

---

LSTM：

---

SVM:

---

TCN:

---

多元函数回归：REGRESS

---

组合模型预测：

CNN-BiGRU

---

CNN-BiGRU-ATTENTION

---

CNN-BiLSTM:

---

CNN-BiLSTM-ATTENTION

---

CNNGRU:

---

CNN-LSSVM:

---

CNN-LSTM

---

cnn-svm:

---

VMD-CNN-BiLSTM:

这里简单聊一下这个VMD-CNN-BILSTM，其实就是将数据的最后一列，功率那一列，提前进行了VMD分解，变成了K个IMF分量，然后分别用这k个IMF分量构建K个预测模型，然后将k个结果相加，就是最终的预测值。

VMD组合模型还包含了VMD的分解图，频谱图，包络谱绘制等：

---

VMD-CNN-GRU:

---

VMD-CNN-LSTM:

---

最后考虑到大家可能会做算法对比，代码随机选取了四个模型的测试结果进行对比，对比结果图如下：

以上所有图片，代码均可实现！

注意，此代码包含了自注意力机制(selfAttentionLayer)，该函数只有2023及以上版本的matlab才有，因此请小伙伴自行下载2023版本的matlab，下载链接一并打包在代码中了。

---

点击下方卡片获取更多代码！