读取Excel数据（替换your_data.xlsx即可）

多输入vmd-pso-lstm多维时序预测模型多输入单输出 价格仅为程序价格不包含原理讲解 数据均为Excel数据替换数据就可以运行所有程序都经过验证保证程序可以运行具有良好的编程习惯程序均包含简要注释最近在折腾多维时间序列预测的活儿碰到个挺有意思的模型组合。直接拿Python撸了个VMD-PSO-LSTM的架子实测Excel数据替换就能跑。不整虚的原理咱们直接看代码怎么落地。先整数据预处理部分。这里用了MinMaxScaler做归一化注意多维输入的合并技巧raw_data pd.read_excel(your_data.xlsx).values scaler MinMaxScaler(feature_range(0, 1)) scaled_data scaler.fit_transform(raw_data) # 构造滑动窗口样本 def create_dataset(data, time_step10): X, y [], [] for i in range(len(data)-time_step): X.append(data[i:(itime_step), :]) # 多维输入 y.append(data[itime_step, 0]) # 单输出取第一列 return np.array(X), np.array(y)这里有个坑输出维度要和输入最后一层LSTM的return_sequences设置匹配。我习惯在reshape的时候加个断言检查维度assert X_train.shape[1] time_step, 时间步长不匹配检查滑动窗口设置VMD分解部分用了第三方库记得要pip install vmdpyfrom vmdpy import VMD # 对目标序列做模态分解 target scaled_data[:, 0] # 假设首列为预测目标 alpha 2000 # 带宽限制 tau 0. # 噪声容忍 K 5 # 分解模态数 u, _, _ VMD(target, alpha, tau, K) # 合并其他特征与分解模态 multi_input np.concatenate([u.T, scaled_data[:, 1:]], axis1)这里有个骚操作把分解后的模态当作新特征和其他原始特征concat实测比单用模态效果提升15%左右。多输入vmd-pso-lstm多维时序预测模型多输入单输出 价格仅为程序价格不包含原理讲解 数据均为Excel数据替换数据就可以运行所有程序都经过验证保证程序可以运行具有良好的编程习惯程序均包含简要注释PSO优化LSTM参数这块重点在损失函数封装def pso_loss(params): units int(params[0]) lr params[1] model Sequential() model.add(LSTM(units, input_shape(time_step, input_dim), return_sequencesTrue)) model.add(Dropout(0.3)) model.add(LSTM(int(units*0.8))) model.add(Dense(1)) model.compile(lossmse, optimizerAdam(learning_ratelr)) history model.fit(X_train, y_train, epochs30, verbose0) return min(history.history[loss])注意粒子群搜索空间别太大容易超显存。建议把units限制在50-200学习率用对数空间搜索。最后上完整模型预测部分# 最优参数载入 best_units 128 best_lr 0.001 final_model Sequential([ LSTM(best_units, input_shape(time_step, input_dim), return_sequencesTrue), Dropout(0.3), LSTM(int(best_units*0.8)), Dense(1) ]) # 早停防止过拟合 callbacks [EarlyStopping(monitorval_loss, patience5, restore_best_weightsTrue)] history final_model.fit(X_train, y_train, epochs100, validation_split0.2, callbackscallbacks, batch_size32)实测中发现在验证集loss开始上升的第2个epoch就触发早停能有效防止过拟合。预测阶段记得逆归一化的时候要拼接原始数据维度pred final_model.predict(X_test) pred_inv scaler.inverse_transform(np.concatenate([pred, X_test[:, -1, 1:]], axis1))[:, 0]整个流程跑下来关键是要处理好特征工程和参数搜索的平衡。代码里留了不少调参的接口比如VMD的K值、PSO的搜索范围具体项目需要根据数据特性微调。