NRBO-VMD-NRBO-Transformer(双优化)三模型单变量时序预测一键对比 (单输入单输出)附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在单变量时序预测领域，如何提升模型对单一变量复杂时序特征的捕捉能力与预测精度是关键。本文提出双优化机制的 NRBO-VMD-NRBO-Transformer 模型，通过两次北方苍鹰优化算法（NRBO）分别优化变分模态分解（VMD）参数与 Transformer 超参数，并选取 VMD-Transformer、NRBO-Transformer、VMD-NRBO-Transformer 三个模型作为对比，在单输入单输出场景（如基于历史用电量预测未来用电量）中实现一键性能对比，为模型选择提供依据。

双优化模型构建：NRBO-VMD-NRBO-Transformer

模型架构设计

该模型采用 “双优化 - 分解 - 编码 - 预测” 的五级结构，充分发挥 NRBO 的优化能力、VMD 的信号分解优势与 Transformer 的时序建模特长：

1. 一级 NRBO 优化 VMD 参数

VMD 的分解效果直接影响后续特征提取质量，其关键参数为分解模态数 K（2-8）和惩罚参数 α（1000-5000）。一级 NRBO 以 VMD 分解后各模态分量的样本熵之和为适应度函数，通过模拟苍鹰侦察 - 俯冲 - 抓捕过程搜索最优参数。样本熵越小，表明分量平稳性越好，设置种群规模 20，最大迭代 40 次，确保分解出的模态分量更贴合单变量时序特征。

1. VMD 分解单变量时序数据

将单输入变量（如历史用电量）经优化后的 VMD 分解为 K 个模态分量（IMF）和 1 个残余分量。VMD 通过自适应带宽控制，使各分量频率特性单一，有效剥离原始数据中的噪声与波动，为 Transformer 提供更易学习的输入特征。例如，某地区月用电量数据经 VMD 分解后，得到 3 个高频分量（反映季节内波动）和 1 个低频残余分量（反映长期增长趋势）。

1. 二级 NRBO 优化 Transformer 超参数

Transformer 的自注意力机制虽能捕捉单变量长程时序依赖，但超参数对性能影响显著。二级 NRBO 针对 Transformer 的注意力头数（2-6）、编码器层数（1-3）、feedforward 维度（64-256）进行优化，以验证集的均方根误差（RMSE）为适应度函数。相比一级优化，二级优化种群规模设为 25，最大迭代 35 次，聚焦提升模型对分解后分量的编码能力，种群多样性控制更精细。

1. Transformer 编码与预测

经 VMD 分解的各模态分量输入至 Transformer 编码器，编码器通过多头自注意力计算单变量不同时间步的关联权重，捕捉长周期依赖（如年度用电量变化规律）。编码后的特征经全连接层融合，最终输出单变量预测值（如未来 1 个月用电量）。

⛳️ 运行结果

📣 部分代码

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇