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！
注：没有失误的合成方法，只要不适宜的经常使用形式！然而也没有相对失误的经常使用形式！ （以咱们辅导投稿的阅从来看，依然有相当大的一部分期刊在投稿时不会要求消息暴露这个点，所以投稿时大家要灵敏选用）
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：
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**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，从而获取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
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：