前言

本文基于前期介紹的電力變壓器，介紹一種綜合應用完備集合經驗模態分解CEEMDAN與基于麻雀優化算法的SSA-TCN-BiLSTM-Attention預測模型，以提高時間序列數據的預測性能。該方法的核心是使用CEEMDAN算法對時間序列進行分解，接著利用麻雀優化算法對TCN-BiLSTM-Attention模型進行優化，通過對分解后的數據進行建模，來實現精準預測。

1 數據CEEMDAN分解與可視化

1.1 導入數據

1.2 CEEMDAN分解

根據分解結果看，CEEMDAN一共分解出11個分量，合并原始數據特征變量，來形成一個加強特征，作為SSA-TCN-BiLSTM-Attention模型的輸入進行預測。

2 數據集制作與預處理

劃分數據集，按照8：2劃分訓練集和測試集

3 麻雀優化算法

3.1 麻雀優化算法介紹

麻雀優化算法（Sparrow Search Algorithm，簡稱SSA）是一種基于自然界麻雀行為特點的優化算法，它模擬了麻雀在覓食、遷徙和社交等行為中的優化策略。該算法在解決多種優化問題方面展現出了良好的性能。

麻雀優化算法的基本思想是通過模擬麻雀的覓食行為，不斷優化搜索空間中的解。算法的過程可以分為覓食行為、遷徙行為和社交行為三個階段。

• 覓食行為（Foraging Behavior）：麻雀在覓食時會選擇距離較近且具有較高適應度的食物源。在算法中，解空間中的每個個體被看作是一個食物源，具有適應度評價值。麻雀通過選擇適應度較高的個體來尋找更優的解。
• 遷徙行為（Migration Behavior）：當麻雀在一個食物源周圍搜索一段時間后，如果沒有找到更優的解，它們會選擇離開當前食物源，前往其他食物源繼續尋找。在算法中，個體之間的位置信息會發生變化，以模擬麻雀的遷徙行為。
• 社交行為（Social Behavior）：麻雀在覓食時會通過與其他麻雀的交流來獲取更多的信息，從而提高自己的覓食效率。在算法中，個體之間通過交換信息來改善自身的解，并且更新解空間中的最優解。

3.2 基于Python的麻雀優化算法實現

3.3 麻雀優化算法-超參數尋優過程

麻雀優化算法具有簡單易實現、全局尋優能力和自適應性等特點，適用于解決組合優化問題。我們通過麻雀優化算法來進行TCN-BiLSTM-Attention模型的超參數尋優。

通過設置合適的種群規模和優化迭代次數，我們在給定的超參數范圍內，搜索出最優的參數。

4 基于CEEMADN的 SSA-TCN-BiLSTM-Attention 模型預測

4.1 定義SSA-TCN-BiLSTM-Attention預測模型

4.2 設置參數，訓練模型

50個epoch，MSE 為0.000143，SSA-TCN-BiLSTM-Attention預測效果良好，適當調整模型參數，還可以進一步提高模型預測表現。

注意調整參數：

• 可以修改麻雀優化算法的種群規模和優化迭代次數；
• 調整TCN和BiLSTM層數和維度數的參數搜索范圍，增加更多的 epoch （注意防止過擬合）
• 可以改變滑動窗口長度（設置合適的窗口長度）

4.3 模型評估

預測結果可視化：

模型評估：

本文轉載自 ??建模先鋒??，作者： 小蝸愛建模