Python实现EEMD-LSTM时间序列预测（完整源码和数据)

#!/usr/bin/env python # coding: utf-8 # In[1]: from keras.models import Sequential # 导入Sequential模型，用于构建神经网络模型 from keras.layers import Activation, Dropout, Dense, LSTM # 导入激活函数、Dropout层、全连接层和LSTM层 import tensorflow as tf # 导入TensorFlow库 from sklearn.preprocessing import MinMaxScaler # 导入数据预处理工具MinMaxScaler，用于数据归一化 from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 导入评估指标 from PyEMD import EEMD # 导入PyEMD库中的EEMD类，用于经验模态分解 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，用于绘图 import warnings # 导入warnings库，用于忽略警告信息 warnings.filterwarnings('ignore') # 忽略警告信息 plt.rcParams['font.sans-serif'] = ['Times New Roman'] # 设置字体为Times New Roman，用于绘图时显示中文字符 plt.rcParams['axes.unicode_minus'] = False # 设置坐标轴显示负号（减号）时不使用unicode编码 #更多模型搜索机器学习之心，支持模型定制 #设置模型参数 LOOK_BACK = 10 SPLIT = 0.8 EPOCHS = 10 BATCH_SIZE = 10 #更多模型搜索机器学习之心，支持模型定制 data = pd.read_csv('焦作.csv', usecols=[1]) # 从名为'焦作.csv'的文件中读取数据，仅使用第2列的数据 #data = pd.read_excel('焦作.xlsx', usecols=[1])#Excel文件用这个 data.columns = ["AQI"] # 将数据框的列名更改为"AQI" #更多模型搜索机器学习之心，支持模型定制 def get_EEMD_residue(data: pd.DataFrame):#定义EEMD分解函数并画图 data_np = data.to_numpy() # 将DataFrame转换为NumPy数组 eemd = EEMD() # 创建EEMD对象 eemd.eemd(data_np) # 对数据进行经验模态分解 IMFs, residue = eemd.get_imfs_and_residue() # 获取分解得到的各个IMF和残差 nIMFs = IMFs.shape[0] # 获取IMF的数量 # 绘制原始数据、各个IMF和残差的图像 plt.figure(figsize=(18, 18), dpi=100) # 创建一个图形窗口，设置大小为18x18英寸，分辨率为100dpi plt.subplot(nIMFs + 2, 1, 1) # 创建第一个子图，位置为(nIMFs+2)行、1列中的第1个位置 plt.plot(data, 'r') # 在第一个子图中绘制原始数据，线条颜色为红色 plt.ylabel("AQI") # 设置y轴标签为"AQI" plt.subplot(nIMFs + 2, 1, nIMFs + 2) # 创建第二个子图，位置为(nIMFs+2)行、1列中的最后一个位置 plt.plot(data.index.to_numpy(), residue) # 在第二个子图中绘制残差数据 plt.ylabel("Residue") # 设置y轴标签为"Residue" for n in range(nIMFs): plt.subplot(nIMFs + 2, 1, n + 2) # 创建后续的子图，位置为(nIMFs+2)行、1列中的第(n+2)个位置 plt.plot(data.index.to_numpy(), IMFs[n], 'k') # 在当前子图中绘制第n个IMF数据，线条颜色为黑色 plt.ylabel("eIMF %i" % (n + 1)) # 设置y轴标签为"eIMF n" plt.locator_params(axis='y', nbins=4) # 设置y轴刻度数量为4个 #更多模型搜索机器学习之心，支持模型定制 plt.tight_layout() # 调整子图布局，使其紧凑显示 plt.show() # 显示绘制的图形 return IMFs, residue, nIMFs # 返回IMFs、残差和IMF数量 def create_dataset(dataset): dataX, dataY = [], [] # 创建空列表用于存储输入特征和目标变量 for i in range(len(dataset) - LOOK_BACK - 1): # 遍历数据集，从第一个样本开始 look_back_data = dataset[i:(i + LOOK_BACK), 0] # 获取长度为LOOK_BACK的输入特征数据 dataX.append(look_back_data) # 将输入特征添加到dataX列表中 dataY.append(dataset[i + LOOK_BACK, 0]) # 将目标变量添加到dataY列表中 return np.array(dataX), np.array(dataY) # 将dataX和dataY转换为NumPy数组并返回 def LSTM_CNN_CBAM(dataset, layer=128): dataset = dataset.astype('float64') # 将数据集转换为float64类型 dataset = np.reshape(dataset, (-1, 1)) # 重塑数据集的形状为(-1, 1)，将其转换为一列 scaler = MinMaxScaler() # 创建一个MinMaxScaler对象，用于数据归一化 dataset = scaler.fit_transform(dataset) # 对数据集进行归一化操作 train_size = int(len(dataset) * SPLIT) # 计算训练集的大小 test_size = len(dataset) - train_size # 计算测试集的大小 train, test = dataset[:train_size, :], dataset[train_size:, :] # 划分训练集和测试集 #更多模型搜索机器学习之心，支持模型定制 trainX, trainY = create_dataset(train) # 使用create_dataset函数从训练集中创建输入特征和目标变量 testX, testY = create_dataset(test) # 使用create_dataset函数从测试集中创建输入特征和目标变量 trainX = np.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1])) # 重塑训练集输入特征的形状为(样本数, 1, LOOK_BACK) testX = np.reshape(testX, (testX.shape[0], 1, testX.shape[1])) # 重塑测试集输入特征的形状为(样本数, 1, LOOK_BACK) #更多模型搜索机器学习之心，支持模型定制 model = Sequential() # 创建一个Sequential模型 model.add(LSTM(layer, input_shape=(1, LOOK_BACK), activation='tanh', return_sequences=True)) # 添加一个LSTM层 model.add(Dropout(0.2)) # 添加一个Dropout层，用于防止过拟合 model.add(LSTM(32, activation='tanh', return_sequences=False)) # 添加第二个LSTM层 model.add(Dropout(0.2)) # 添加第二个Dropout层 model.add(Dense(1, activation='tanh')) # 添加一个全连接层 model.compile(loss='mse', optimizer='adam', metrics=['accuracy']) # 编译模型 model.fit(trainX, trainY, epochs=EPOCHS, batch_size=BATCH_SIZE, verbose=1, validation_split=0.1) # 在训练集上训练模型 trainPredict = model.predict(trainX) # 对训练集进行预测 testPredict = model.predict(testX) # 对测试集进行预测 trainPredict = scaler.inverse_transform(trainPredict) # 将训练集预测结果反向转换为原始数据范围 trainY = scaler.inverse_transform([trainY]) # 将训练集目标变量反向转换为原始数据范围 testPredict = scaler.inverse_transform(testPredict) # 将测试集预测结果反向转换为原始数据范围 testY = scaler.inverse_transform([testY]) # 将测试集目标变量反向转换为原始数据范围 testing_error = np.sqrt(mean_squared_error(testY[0], testPredict[:, 0])) # 计算测试集的均方根误差（RMSE） return testPredict, testY, testing_error # 返回测试集的预测结果、目标变量和均方根误差 def run_model(IMFs):#更多模型搜索机器学习之心，支持模型定制 IMF_predict_list = [] # 存储每个IMF的预测结果 error_list = [] # 存储每个IMF的测试误差 for i, IMF in enumerate(IMFs): # 遍历每个IMF print(f"IMF number {i+1}") # 打印当前处理的IMF序号 IMF_predict, IMF_test, testing_error = LSTM_CNN_CBAM(IMF, layer=128) # 调用LSTM函数进行训练和预测 error_list.append(testing_error) # 将当前IMF的测试误差添加到误差列表中 IMF_predict_list.append(IMF_predict) # 将当前IMF的预测结果添加到预测结果列表中 return IMF_predict_list, error_list # 返回所有IMF的预测结果和测试误差列表 def visualize_results(IMF_predict_list, error_list): for i, v in enumerate(IMF_predict_list): # 遍历IMF_predict_list IMF_predict_list[i] = v[:, 0] # 将每个IMF的预测结果的第一列提取出来 #更多模型搜索机器学习之心，支持模型定制 final_predict