VMD分解 时间序列预测 python

VMD分解是一种用于时间序列预测的方法，可以通过将时间序列分解成多个模态函数来提取其内在的振动模式。在Python中，可以使用VMD分解来进行时间序列预测。

首先，你需要使用测试数据集来测试你的模型。你可以使用以下代码进行预测：

prediction = my_model.predict(testX)
print("prediction\n", prediction)
print("\nPrediction Shape-", prediction.shape)

这段代码将使用测试数据集testX来进行预测，并打印出预测结果和预测结果的形状。\[1\]

接下来，你需要使用for循环来进行预测。你可以使用以下代码：

full_df_scaled_array = full_df.values
all_data = \[\]
time_step = 30
for i in range(time_step, len(full_df_scaled_array)):
    data_x = \[\]
    data_x.append(full_df_scaled_array\[i-time_step:i, 0:full_df_scaled_array.shape\[1\]\])
    data_x = np.array(data_x)
    prediction = my_model.predict(data_x)
    all_data.append(prediction)
    full_df.iloc\[i, 0\] = prediction

这段代码将使用VMD分解方法对时间序列进行预测，并将预测结果存储在all_data中。然后，将预测结果赋值给full_df的相应位置。\[2\]

最后，你需要对预测结果进行逆变换，以得到原始的预测值。你可以使用以下代码：

new_array = np.array(all_data)
new_array = new_array.reshape(-1, 1)
prediction_copies_array = np.repeat(new_array, 5, axis=-1)
y_pred_future_30_days = scaler.inverse_transform(np.reshape(prediction_copies_array, (len(new_array), 5)))\[:, 0\]
print(y_pred_future_30_days)

这段代码将对预测结果进行逆变换，得到原始的预测值，并打印出结果。\[3\]
#### 引用[.reference_title]
- *1* *2* *3* [实战案例：使用 LSTM 进行多变量时间序列预测(附Python完整代码)](https://blog.csdn.net/m0_59596937/article/details/128271899)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]