Python实现CEEMDAN-VMD-GRU时间序列预测（完整源码和数据)

#!/usr/bin/env python # coding: utf-8 # In[1]: import time # 导入time模块，用于处理时间相关操作 import datetime # 导入datetime模块，用于处理日期和时间 import pandas as pd # 导入pandas库，用于数据处理和分析 import numpy as np # 导入numpy库，用于数值计算 import matplotlib.pyplot as plt # 导入matplotlib库，用于数据可视化 from PyEMD import EMD, EEMD, CEEMDAN # 从PyEMD库导入EMD、EEMD和CEEMDAN类 from sampen import sampen2 # 导入sampen2函数，用于计算样本熵 from vmdpy import VMD # 导入VMD类，用于变分模态分解 import tensorflow as tf # 导入tensorflow库，用于构建和训练深度学习模型 from sklearn.cluster import KMeans # 导入KMeans类，用于聚类分析 from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error, mean_absolute_percentage_error # 导入评估指标 from sklearn.preprocessing import MinMaxScaler # 导入MinMaxScaler类，用于数据归一化 from tensorflow.keras.models import Sequential # 导入Sequential类，用于构建序贯模型 from tensorflow.keras.layers import Dense, Activation, Dropout, LSTM, GRU # 导入Dense、Activation、Dropout、LSTM和GRU层 from tensorflow.keras.callbacks import ReduceLROnPlateau, EarlyStopping # 导入ReduceLROnPlateau和EarlyStopping回调函数 # In[2]: #更多模型CSDN搜索机器学习之心，支持模型定制 # In[3]: # 用来正常显示中文标签 plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示负号 plt.rcParams['axes.unicode_minus'] = False # In[4]: # 从名为"焦作.csv"的CSV文件中读取数据，并仅使用第一列和第二列数据，将结果存储在DataFrame对象`df_raw_data`中 df_raw_data = pd.read_csv('焦作.csv', usecols=[0,1]) X = 'AQI' #目标列#更多模型CSDN搜索机器学习之心，支持模型定制 # 从`df_raw_data`中提取"AQI"列的值，并使用"time"列作为索引，创建一个Series对象`series_close` series_close = pd.Series(df_raw_data[X].values, index=df_raw_data['time']) # 从"AQI"列的值中提取后80%的数据，存储在名为"test"的变量中 test = df_raw_data[X].values[int(len(df_raw_data[X].values)*0.8):] # In[5]: def ceemdan_decompose(series=None, trials=10, num_clusters=3): decom = CEEMDAN() # 创建CEEMDAN对象 decom.trials = trials # 设置迭代次数 df_ceemdan = pd.DataFrame(decom(series.values).T) # 使用CEEMDAN对数据进行分解 df_ceemdan.columns = ['imf'+str(i) for i in range(len(df_ceemdan.columns))] # 为每个分解的模态函数命名 return df_ceemdan # 返回分解后的DataFrame对象#更多模型CSDN搜索机器学习之心，支持模型定制 # In[6]: def sample_entropy(df_ceemdan=None, mm=1, r=0.1): np_sampen = [] # 创建一个空列表，用于存储样本熵值 for i in range(len(df_ceemdan.columns)): sample_entropy = sampen2(list(df_ceemdan['imf'+str(i)].values), mm=mm, r=r, normalize=True) # 计算样本熵 np_sampen.append(sample_entropy[1][1]) # 将样本熵值存储到列表中 df_sampen = pd.DataFrame(np_sampen, index=['imf'+str(i) for i in range(len(df_ceemdan.columns))]) # 创建DataFrame对象，将样本熵值作为数据，模态函数名称作为索引 return df_sampen # 返回样本熵的DataFrame对象#更多模型CSDN搜索机器学习之心，支持模型定制 # In[7]: def kmeans_cluster(df_sampen=None, num_clusters=3): np_integrate_form = KMeans(n_clusters=num_clusters, random_state=9).fit_predict(df_sampen) # 使用K-means聚类算法对样本熵数据进行聚类 df_integrate_form = pd.DataFrame(np_integrate_form, index=['imf'+str(i) for i in range(len(df_sampen.index))], columns=[X]) # 创建DataFrame对象，将聚类结果作为数据，模态函数名称作为索引，目标列名称作为列名 return df_integrate_form # 返回聚类结果的DataFrame对象 # In[8]: def integrate_imfs(df_integrate_form=None, df_ceemdan=None): df_tmp = pd.DataFrame() # 创建一个空的DataFrame对象，用于存储临时数据 for i in range(df_integrate_form.values.max()+1): # 遍历聚类结果的取值范围 df_tmp['imf'+str(i)] = df_ceemdan[df_integrate_form[(df_integrate_form[X]==i)].index].sum(axis=1) # 将属于同一类别的模态函数进行求和，存储到临时DataFrame对象中 df_integrate_result = df_tmp.T # 对临时DataFrame对象进行转置 df_integrate_result['sampen'] = sample_entropy(df_tmp).values # 计算整合后的模态函数的样本熵值 df_integrate_result.sort_values(by=['sampen'], ascending=False, inplace=True) # 根据样本熵值降序排序整合结果 df_integrate_result.index = ['co-imf'+str(i) for i in range(df_integrate_form.values.max()+1)] # 修改索引，加上前缀'co-imf' df_integrate_result = df_integrate_result.drop('sampen', axis=1, inplace=False) # 删除样本熵列 #更多模型CSDN搜索机器学习之心，支持模型定制 return df_integrate_result.T # 对整合结果进行转置，并返回转置后的DataFrame对象 # In[9]: def vmd_decompose(series=None, alpha=2000, tau=0, K=10, DC=0, init=1, tol=1e-7, draw=True): """ 对给定的时间序列进行 VMD 分解。 参数： - series：输入的时间序列。 - alpha：在 VMD 模型中平衡数据拟合项和平滑项的权重参数。 - tau：控制模式的时间局部性和频率局部性之间权衡的时间步参数。 - K：要分解的模式数量。 - DC：是否包括直流（趋势）分量在分解中的标志。 - init：模式的初始化方法。 - tol：用于确定算法收敛的容差值。 - draw：是否绘制模式的标志。 返回：#更多模型CSDN搜索机器学习之心，支持模型定制 - df_vmd：包含 VMD 模式的 DataFrame，每个模式作为列。 """ # 执行 VMD 分解 imfs_vmd, imfs_hat, omega = VMD(series, alpha, tau, K, DC, init, tol) # 将 VMD 模式转换为 DataFrame df_vmd = pd.DataFrame(imfs_vmd.T) df_vmd.columns = ['imf'+str(i) for i in range(K)] return df_vmd # In[10]: def GRU_model(trainset_shape): # 创建一个序贯模型 model = Sequential() # 添加第一层GRU层 model.add(GRU(128, input_shape=(trainset_shape[1], trainset_shape[2]), activation='tanh', return_sequences=True)) model.add(Dropout(0.2)) # 添加Dropout层，防止过拟合 # 添加第二层GRU层 model.add(GRU(64, activation='tanh', return_sequences=True)) model.add(Dropout(0.2)) # 添加Dropout层，防止过拟合 # 添加第三层GRU层 model.add(GRU(32, activation='tanh', return_sequences=False)) model.add(Dropout(0.2)) # 添加Dropout层，防止过拟合 # 添加全连接层 model.add(Dense(1, activation='tanh')) # 编译模型，设置损失函数和优化器 model.compile(loss='mse', optimizer='adam') return model#更多模型CSDN搜索机器学习之心，支持模型定制 # In[11]: def evaluation_model(y_test, y_pred): # 对模型进行评估，并返回评估结果的DataFrame。 #更多模型CSDN搜索机器学习之心，支持模型定制 y_test, y_pred = np.array(y_test).ravel(), np.array(y_pred).ravel() # 将y_test和y_pred转换为一维数组。 r2 = r2_score(y_test, y_pred) # 计算R^2得分，衡量预测结果的拟合程度。 rmse = mean_squared_error(y_test, y_pred, squared=False) # 计算均方根误差（RMSE），衡量预测结果与实际值的差异。 mae = mean_absolute_error(y_test, y_pred) # 计算平均绝对误差（MAE），衡量预测结果与实际值的差异。 mape = mean_absolute_percentage_error(y_test, y_pred) # 计算平均绝对百分比误差（MAPE），衡量预测结果与实际值的百分比差异。 df_evaluation = pd.DataFrame({'r2': r2, 'rmse': rmse, 'mae': mae, 'mape': mape}, index=