【CEEMDAN-VMD-BITCN-LSTM】双重分解+双向时间卷积神经网络+长短期记忆神经网络多变量时序预测，多变量输入模型。matlab代码，2023a及其以上。

1.CEEMDAN分解，计算样本熵，根据样本熵进行kmeans聚类，调用VMD对高频分量二次分解，VMD分解的高频分量与前分量作为双向时间卷积长短期记忆神经网络模型的目标输出分别预测后相加。

2.CEEMDAN-VMD-BITCN-LSTM模型处理数据，具有更高的准确率，能够跟踪数据的趋势以及变化。VMD 模型处理非线性、非平稳以及复杂的数据，表现得比EMD 系列更好，因此将重构的数据通过VMD 模型分解，提高了模型的准确度。

评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。参数可方便更改，程序和excel数据放在一个文件夹，注释明细。

%% 创建网络

% 创建输入层

% 网络参数设置

filterSize = 3; % 滤波器大小

dropoutFactor = 0.1;

numBlocks = 3;

numFilters = 30; % 滤波器个数

NumNeurons = 25; % BiGRU神经元个数

layer = sequenceInputLayer(f_, Normalization = "rescale-symmetric", Name = "input");

% 创建网络图

lgraph = layerGraph(layer);

outputName = layer.Name;

% 建立网络结构 -- 残差块

for i = 1 : numBlocks

% 膨胀因子

dilationFactor = 2^(i-1);

% 创建TCN正向支路

layers = [

convolution1dLayer(filterSize, numFilters, DilationFactor = dilationFactor, Padding = "causal", Name="conv1_" + i) % 一维卷积层

layerNormalizationLayer % 层归一化

spatialDropoutLayer(dropoutFactor) % 空间丢弃层

convolution1dLayer(filterSize, numFilters, DilationFactor = dilationFactor, Padding = "causal") % 一维卷积层

layerNormalizationLayer % 层归一化

reluLayer % 激活层

spatialDropoutLayer(dropoutFactor) % 空间丢弃层

additionLayer(4, Name = "add_" + i)

];

% 添加残差块到网络

lgraph = addLayers(lgraph, layers);

% 连接卷积层到残差块

lgraph = connectLayers(lgraph, outputName, "conv1_" + i);

% 创建 TCN反向支路flip网络结构

Fliplayers = [

FlipLayer("flip_" + i) % 反向翻转

convolution1dLayer(1, numFilters, Name = "convSkip_"+i); % 反向残差连接

convolution1dLayer(filterSize, numFilters, DilationFactor = dilationFactor, Padding = "causal", Name="conv2_" + i) % 一维卷积层

layerNormalizationLayer % 层归一化

spatialDropoutLayer(dropoutFactor) % 空间丢弃层

convolution1dLayer(filterSize, numFilters, DilationFactor = dilationFactor, Padding = "causal") % 一维卷积层

layerNormalizationLayer % 层归一化

reluLayer % 激活层

spatialDropoutLayer(dropoutFactor, Name="drop" + i) % 空间丢弃层

];

% 添加 flip 网络结构到网络

lgraph = addLayers(lgraph, Fliplayers);

% 连接 flip 卷积层到残差块

lgraph = connectLayers(lgraph, outputName, "flip_" + i);

lgraph = connectLayers(lgraph, "drop" + i, "add_" + i + "/in3");

lgraph = connectLayers(lgraph, "convSkip_"+i, "add_" + i + "/in4");

智能算法及其模型预测