聊聊 VMD + CEEMDAN 二次分解，TCN-Transformer并行预测模型

前言

本文基于前期介绍的电力变压器，介绍一种基于VMD+CEEMDAN二次分解的TCN-Transforme预测模型，以提高时间序列数据的预测性能。电力变压器数据集的详细介绍可以参考下文：

电力变压器数据集介绍和预处理

1 二次分解与数据集制作

1.1 导入数据

1.2 VMD分解

第一步，根据不同K值条件下， 观察中心频率，选定K值；从K=4开始出现中心频率相近的模态，出现过分解，故模态数 K 选为4。

第二步，分解可视化

1.3 样本熵

样本熵是一种用于衡量序列复杂度的方法，可以通过计算序列中的不确定性来评估其复杂性。样本熵越高，表示序列的复杂度越大。

通过对VMD分解出四个分量的样本熵计算，高样本熵有着更丰富的不可控信息，为进一步提取分量中的有效信息，对VMD的最高熵值项，进行CEEMDAN分解

1.4 CEEMDAN分解

对 VMD分解出的 最高熵值项分量进行再分解

1.5 数据集制作

先合并VMD和CEEMDAN分解的分量，按照8：2划分训练集和测试集

2 基于Pytorch的 TCN-Transformer 预测模型

2.1 定义TCN-Transformer预测模型

2.2 设置参数，训练模型

50个epoch，MSE 为0.0148，VMD+CEEMDAN二次分解的TCN-Transformer并行预测效果良好，二次分解后，能够提取序列中更多的信息，TCN-Transformer模型能够提取出分量特征的时空信息，预测效果提升明显，性能优越，适当调整模型参数，还可以进一步提高模型预测表现。

注意调整参数：

• 可以修改TCN层数和每层通道数；
• 调整Transformer编码器层数和注意力维度数、多头注意力头数，增加更多的 epoch （注意防止过拟合）
• 可以改变滑动窗口长度（设置合适的窗口长度）

3 模型评估与可视化

3.1 结果可视化

3.2 模型评估

​ 图片 ​

本文转载自 ​​建模先锋​​，作者： 小蜗爱建模