本资源提供一种新颖的时间序列预测方法——基于VMD分解和Attention机制改进的LSTM模型，内附Python实现代码、完整数据集以及详细文档说明。
【资源说明】
本资源提供了一个基于VMD-Attention-LSTM的时间序列预测模型的Python源码、数据集及详细代码注释。
**一、项目概述**
根据LSTM层的需求，输入的数据应为 [送入样本数, 循环核时间展开步数, 每个时间步输入特征个数]。在本项目中，循环核时间展开步数被设定为使用前30天数据来预测第31天数据；每个时间步骤的输入特征数量则设计为将当天分解后特征中的五个原数据作为VMD（变分模态分解）后的特征。实验表明，当所有的时间序列原始数据经过VMD处理并作为模型输入时，会导致信息压缩过度和严重的过拟合问题。而采用仅对应五项原数据的VMD分解特征则能有效缓解这一现象，并不影响预测结果。
**二、项目结构**
源代码位于`models/vmd_attention_lstm/`目录下，包含注意力机制模块（attention_3d_block）及最终模型设计（Attention_LSTM）。该模型由两个128单元LSTM层组成，其中还包括一个Attention-LSTM组合层，展平层和全连接输出层。为了防止过拟合，在网络中加入了Dropout层，其参数设置为0.5。
**三、训练过程**
在模型的训练阶段，使用了128个神经元作为LSTM单元的数量，并且学习率设定为1e-4；Batch Size被设为128。通过Callback函数返回最优模型权重，在优化器方面选择了Adam算法并应用Huber损失函数以增强鲁棒性。由于数据量较小，训练迭代次数定在500次以内。
**四、结果展示**
项目最后设计了一个预测应用程序，可以读取保存的模型及其权值，并对预处理后的湖北原始时间序列进行预测。通过该程序可以获得未来100个时间点的数据预测图。
本资源适合计算机相关专业的学生和教师以及企业员工使用；同时也适用于初学者学习进阶、课程项目或毕业设计等场景，鼓励用户在此基础上扩展功能并应用于实际需求中。
5星
