机器学习预测全家桶-Python，新增CEEMDAN结合代码，大大提升预测精度！

本文介绍了在《机器学习预测全家桶-Python》系列中，作者更新了使用CEEMDAN结合不同深度学习模型（如CNN、BiGRU、BiLSTM等）的代码，以提升电力负荷预测的精度。通过分解数据并针对每个模态构建独立预测模型，结果显示CEEMDAN方法有效改善了预测效果。文中还提供了所需Python包的版本信息。

截止目前，机器学习预测全家桶

本期继续更新《机器学习预测全家桶-Python》，截止目前，全家桶包含代码目录如下：

本期新增CEEMDAN相结合的代码，包含如下：

CEEMDAN-CNN-BiGRU、CEEMDAN-CNN-BiLSTM、CEEMDAN-CNN-BiLSTM-Attention、CEEMDAN-CNN-LSTM、CEEMDAN-LSTM

所谓CEEMDAN相结合的原理与VMD相结合原理是一致的，都是将原始数据分解为数个有限带宽的模态分量，以降低原始数据的复杂度，确保不会发生模态混叠现象，提高数据清晰度，然后每个模态分别构建一个预测模型进行预测，最后把每个分量的结果相加得到最终的预测值。步骤如下：

1）首先对原始数据进行预处理；

2）对处理完的数据进行CEEMDAN分解，分解为K个模态分量和1个残差分量；

3）将各个模态分量输入模型，建立模型进行预测；

4）将各个预测结果相加得到最终的结果。

结果展示如下：

数据依旧采用《电力负荷预测数据2.xlsx》，采用前5个时刻数据，预测未来一个时刻数据。更多关于数如何处理，请看前三期文章：

1.机器学习预测全家桶-Python，一次性搞定多/单特征输入，多/单步预测！

2.终于来了！python机器学习预测全家桶

3.机器学习预测全家桶-Python，新增VMD结合代码，大大提升预测精度！

结果展示：

CEEMDAN分解图，对负荷数据那一列进行分解。

①基本的LSTM预测结果：

②CEEMDAN-LSTM

③CEEMDAN-CNN-LSTM

④CEEMDAN-CNN-BiGRU

⑤CEEMDAN-CNN-BiLSTM

⑥CEEMDAN-CNN-BiLSTM-Attention

可以看到，加了CEEMDAN之后，效果是有显著提升的！

模型亲测python3.9版本可用。用到的包版本推荐如下：

pandas~=2.2.0
matplotlib~=3.8.2
numpy~=1.26.3
tensorflow~=2.15.0
scipy~=1.12.0
scikit-learn~=1.4.0
keras~=2.15.0
seaborn~=0.13.1
openpyxl~=3.1.2
mplcyberpunk~=0.7.1
qbstyles~=0.1.4
xgboost~=2.0.3
pip~=23.3.2
wheel~=0.42.0
setuptools~=49.2.1
vmdpy~=0.2
prettytable~=3.9.0

或点击下方阅读原文获取此全家桶。

后续有更新直接进入此链接，即可下载最新的！