文章图片
图1原始风速时间序列
风速预测主要是时间序列预测，通常采用滚动序列建模，即采用1-n时刻风速作为输入，第n+1时刻风速作为输出，然后采用第2到n+1时刻风速作为输入，第n+2时刻风速作为输出，这样进行滚动建模。一般情况下，使用这种方法得到的效果都还不错，但是会有一个很严重的问题，就是“滞后“现象，以图2为例，该图为基于DBN的风速预测，n为24。
文章图片
文章图片
图2基于DBN的风速预测
DBN的结果分析：1、根均方差(RMSE)：1.7303；2、平均绝对误差（MAE）：1.3405；3、平均相对百分误差（MAPE）：14.53%
由图2可知，这个预测得到的值滞后于真实值，相当于当前时刻预测的是上一时刻的值。因此，即使精度较高，这个模型依旧是无法使用的。主要原因是：https://zhuanlan.zhihu.com/p/54413813?utm_source=qq&utm_medium=social&utm_oi=676541090052575232，是因为序列存在自相关，实际上DBN并没有学习到风速预测模型，而是学习到了这种自相关性，而这个在时间序列预测上是及其常见的。
那么为了解决这个，本文采用EMD经验模态分解先对序列进行分解得到IMF本征模态分量，然后对每个imf建立DBN预测模型，最后将各IMF对应的DBN的预测值相加，得到最终的预测结果，结果如图3所示：
文章图片
图3 基于EMD-DBN的风速预测
EMD-DBN的结果分析：1、根均方差(RMSE)：1.2416；2、平均绝对误差（MAE）：0.89967；3、平均相对百分误差（MAPE）：9.6004%
由图3可以看出，图2中的滞后性已经没有，说明EMD能够消除原始序列的自相关性。
最后，为再一次提升精度，本文采用SA模拟退火算法对DBN的各隐含层进行寻优，得到一个较优的网络结构，得到的结果如图4:所示。
文章图片
图4 基于EMD-SA-DBN的风速预测
SA-EMD-DBN的结果分析:1、根均方差(RMSE)：1.2328；2、平均绝对误差（MAE）：0.88833；3、平均相对百分误差（MAPE）：9.578%
结果显示经SA优化后的DBN，精度得到了再一次提升。
需要的可以加我qq2919218574，此为MATLAB代码，可以改成python代码，EMD也可以换成EEMD、CEEMD、VMD等，模拟退火改成粒子群、遗传、蝙蝠均可
【机器学习|基于EMD-SA-DBN的风速预测模型】
推荐阅读
- C语言学习|第十一届蓝桥杯省赛 大学B组 C/C++ 第一场
- paddle|动手从头实现LSTM
- pytorch|使用pytorch从头实现多层LSTM
- 人工智能|干货！人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- pytorch|YOLOX 阅读笔记
- 读书笔记|《白话大数据和机器学习》学习笔记1
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- 前沿论文|论文精读（Neural Architecture Search without Training）