提供基于pytorch的EEMD+STL+XGBoost+LightGBM+ConvLSTM的读取csv数据的多输入单输出的时序训练及预测代码

以下是基于 PyTorch 的 EEMD-STL-XGBoost-LightGBM-ConvLSTM 读取 CSV 数据的多输入单输出的时序训练及预测代码。这个代码假设输入的 CSV 数据中有多个特征和一个标签，以及数据按照时间顺序排列。

首先，需要安装 PyTorch、XGBoost、LightGBM 等库。代码如下：

import torch
import numpy as np
import pandas as pd
import xgboost as xgb
import lightgbm as lgb
from torch.utils.data import Dataset, DataLoader
from sklearn.preprocessing import MinMaxScaler
from statsmodels.tsa.seasonal import STL
from PyEMD import EEMD

然后，需要定义一些超参数，例如 EEMD 分解的模式数、STL 分解的周期数、LSTM 的时间步数等。代码如下：

# 超参数
eemd_mode = 8  # EEMD 模式数
stl_period = 24  # STL 周期数
lstm_seq_len = 48  # LSTM 时间步数
lstm_hidden_size = 64  # LSTM 隐藏层大小
lstm_num_layers = 2  # LSTM 层数
lstm_dropout = 0.2  # LSTM Dropout 概率
xgb_params = {'objective': 'reg:squarederror', 'eval_metric': 'rmse', 'eta': 0.01, 'max_depth': 6, 'subsample': 0.8, 'colsample_bytree': 0.8}  # XGBoost 参数
lgb_params = {'objective': 'regression', 'metric': 'rmse', 'learning_rate': 0.01, 'max_depth': 6, 'subsample': 0.8, 'colsample_bytree': 0.8}  # LightGBM 参数

接下来，需要定义一个 PyTorch 的数据集类，用于加载 CSV 数据并进行 EEMD-STL 处理。代码如下：

class CustomDataset(Dataset):
    def __init__(self, file_path):
        self.df = pd.read_csv(file_path)
        self.scaler = MinMaxScaler()
        self.eemd = EEMD(n_imfs=eemd_mode)
        self.stl = STL(self.df.iloc[:, -1], period=stl_period)
    
    def __len__(self):
        return len(self.df) - lstm_seq_len
    
    def __getitem__(self, idx):
        data = self.df.iloc[idx:idx+lstm_seq_len, :-1].values
        label = self.df.iloc[idx+lstm_seq_len, -1]
        data = self.scaler.fit_transform(data)
        data = self.eemd.eemd(data.T).T
        data = np.array([self.stl.decompose(d).trend for d in data])
        data = torch.from_numpy(data).float()
        label = torch.tensor(label).float()
        return data, label

然后，需要定义一个 PyTorch 的模型类，用于将数据输入 LSTM，然后通过 XGBoost 和 LightGBM 进行进一步预测。代码如下：

class CustomModel(torch.nn.Module):
    def __init__(self):
        super(CustomModel, self).__init__()
        self.lstm = torch.nn.LSTM(input