拒绝消息暴露！VMD滚动合成 Informer

前言

在期间序列预测义务中，像 EMD（阅历模态合成）、CEEMDAN（完选汇合阅历模态合成）、VMD（变分模态合成） 等合成算法的经常使用有或者引入消息暴露，详细状况取决于这些方法的运行形式。消息暴露的关键危险在于：将未来的消息暴露给了模型，使得模型在实践运行中体现得比应有的好。

为了防止消息暴露，咱们在合成之前，首先对数据集启动划分。而后经常使用滑动窗口的方法来制造数据集标签，最后逐渐滚动合成期间序列窗口！

1 翻新模型成果：

1.1 相关实验引见：

本期基于某风电功率数据集，提出一种VMD+Informer-BiLSTM并行预测模型，在单步预测义务中预测成果优化清楚！

在设置滑动窗口值为96步的条件下，咱们对每个样本窗口值启动VMD合成，并给出了不同重量条件下的对比实验：

对比结果如下：

随着IMF重量数量的参与，可以捕捉到更多的频率消息，并且每个IMF对应不同的期间尺度，提供了更丰盛的特色用于预测模型。模型拟合分数 R2 出现回升趋向，同时有着更小的 MSE。

1.2 模型评价：

1.3 风电功率预测可视化：

咱们同时提供基于多个数据集，在多个预测义务中，启动实验和对比，并提供详细的资料、解说文档和视频解说，包含如何交流自己的数据集、参数调整教程，预测义务的交流等，代码逐行注释，参数引见详细：

●数据集：某风电场风电功率数据集、电力数据集、风速数据集等

●环境框架：python 3.9 pytorch 1.8 及其以上版本均可运转

●单步预测模型分数：测试集 0.98

●经常使用对象：论文需求、毕业设计需求者

●代码保障：代码注释详细、即拿即可跑通。

购置链接：

或点击文末，阅读原文，失掉代码！

2 模型翻新点引见

2.1 联合Informer和RNN的优点

经过将这两种模型并行经常使用，可以更好地捕捉不同期间尺度上的形式，提高预测的准确性和鲁棒性。

2.2 并行模型架构

并行经常使用Informer和BiLSTM，经过两个分支并行学习，可以使模型在不同的期间尺度上启动消息提取和解决：

这种架构能够更片面地捕捉时序数据的特色，优化模型的预测功能。

2.3 模型融合

将Informer和BiLSTM的输入拼接在一同，经过一个全衔接层融合不同模型的特色。这种融合形式使得模型能够同时应用Informer的全局消息提取才干和LSTM的部分时序相关建模才干。

2.4 高效计算

Informer的经常使用大大提高了常年间序列的计算效率，同时BiLSTM的经常使用确保了部分时序消息的充沛应用。这种组合在保障高效计算的同时，优化了预测的精度和牢靠性。

3 Informer 详解，三大翻新点

3.1 概率稠密留意力机制（ProbSparse Self-attention）

概率稠密自留意力是Informer模型中引入的一种稠密自留意力机制。其外围现实是经过概率方法选用最关键的一部分留意力权重启动计算，而疏忽那些对结果影响较小的权重。这种方法能够清楚降落计算复杂度，同时坚持较高的模型功能。

3.2 多尺度特色提取-消息蒸馏

Informer的架构图并没有像Transformer一样在Encoder的左边标注来示意N个Encoder的重叠，而是一大一小两个梯形。横向看完单个Encoder（也就是架构图中左边的大梯形，是整个输入序列的主堆栈）。

Encoder的作用是Self-attention Distilling，因为ProbSparse自相关机制有很多都是用V的mean填充的，所以自然就存在冗余的attention sorce ,因此在相邻的Attention Block之间运行卷积与池化来对特色启动下采样，所以作者在设计Encoder时，驳回蒸馏的操作始终抽取重点特色，从而失掉值得重点关注的特色图。

3.3 期间编码

Informer在原始向量上不止参与了Transformer架构必备的PositionEmbedding（位置编码）还参与了与期间相关的各种编码：

在 LSTF 疑问中，捕捉远程独立性的才干须要全局消息，例如分层期间戳（周、月和年）和无法知期间戳（假期、事情）。

详细在这里参与什么样的GlobalTimeStamp还须要依据实践疑问来确认，假设计算高铁动车车站的人流量，显然“假期”的期间差就是十分关键的。假设计算公交地铁等通勤交通工具的人流量，显然“星期”可以更多的提醒能否为上班日。

4 风电功率等数据集引见

4.1 导入数据

风电功率数据集一共35040个样本，15个特色，取前6000条数据启动可视化

4.2 其它数据集引见

参考前期文章：

收费失掉 | 期间序列罕用数据集、可视化代码

4.3 数据集制造与预解决

详细引见见提供的文档！

5 基于VMD+Informer-BiLSTM的并行预测模型

5.1定义Informer-BiLSTM并行预测网络模型

5.2 设置参数，训练模型

50个epoch，MSE 为0.01283，VMD+Informer-BiLSTM并行预测成果清楚，模型能够充沛应用Informer的常年间依赖建模才干和BiLSTM的短期依赖捕捉才干征，收敛速度快，功能优越，预测精度高，适当调整模型参数，还可以进一步提高模型预测体现。

6 结果可视化和模型评价

6.1 预测结果可视化

6.2 模型评价

由预测结果可见，在VMD+Informer-BiLSTM并行预测模型下拟合成果良好，经过这种设计，可以充沛应用Informer和BiLSTM的优点，成功高效且准确的时序预测,组合预测成果清楚！

本文转载自​​，作者：