目录
[1 风速数据EMD分解与可视化](#1 风速数据EMD分解与可视化)
[1.1 导入数据](#1.1 导入数据)
[1.2 EMD分解](#1.2 EMD分解)
[2 数据集制作与预处理](#2 数据集制作与预处理)
[2.1 先划分数据集，按照8：2划分训练集和测试集](#2.1 先划分数据集，按照8：2划分训练集和测试集)
[2.2 设置滑动窗口大小为7，制作数据集](#2.2 设置滑动窗口大小为7，制作数据集)
[3 基于Pytorch的EMD-Transformer模型预测](#3 基于Pytorch的EMD-Transformer模型预测)
[3.1 数据加载，训练数据、测试数据分组，数据分batch](#3.1 数据加载，训练数据、测试数据分组，数据分batch)
[3.2 定义EMD-Transformer预测模型](#3.2 定义EMD-Transformer预测模型)
[3.3 定义模型参数](#3.3 定义模型参数)
[3.4 模型训练](#3.4 模型训练)
[3.5 结果可视化](#3.5 结果可视化)
往期精彩内容：
前言
本文基于前期介绍的风速数据（文末附数据集），先经过经验模态EMD分解,然后通过数据预处理，制作和加载数据集与标签，最后通过Pytorch实现EMD-Transformer模型对风速数据的预测。风速数据集的详细介绍可以参考下文：
1 风速数据EMD分解与可视化
1.1 导入数据
python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc("font", family='Microsoft YaHei')
# 读取已处理的 CSV 文件
df = pd.read_csv('wind_speed.csv' )
# 取风速数据
winddata = df['Wind Speed (km/h)'].tolist()
winddata = np.array(winddata) # 转换为numpy
# 可视化
plt.figure(figsize=(15,5), dpi=100)
plt.grid(True)
plt.plot(winddata, color='green')
plt.show()
1.2 EMD分解
python
from PyEMD import EMD
# 创建 EMD 对象
emd = EMD()
# 对信号进行经验模态分解
IMFs = emd(winddata)
# 可视化
plt.figure(figsize=(20,15))
plt.subplot(len(IMFs)+1, 1, 1)
plt.plot(winddata, 'r')
plt.title("原始信号")
for num, imf in enumerate(IMFs):
plt.subplot(len(IMFs)+1, 1, num+2)
plt.plot(imf)
plt.title("IMF "+str(num+1), fontsize=10)
# 增加第一排图和第二排图之间的垂直间距
plt.subplots_adjust(hspace=0.8, wspace=0.2)
plt.show()
2 数据集制作与预处理
2.1 先划分数据集，按照8：2划分训练集和测试集
2.2 设置滑动窗口大小为7，制作数据集
3 基于Pytorch的EMD-Transformer模型预测
3.1 数据加载，训练数据、测试数据分组，数据分batch
python
# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100) # 设置随机种子，以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 加载数据集
def dataloader(batch_size, workers=2):
# 训练集
train_set = load('train_set')
train_label = load('train_label')
# 测试集
test_set = load('test_set')
test_label = load('test_label')
# 加载数据
train_loader = Data.DataLoader(dataset=Data.TensorDataset(train_set, train_label),
batch_size=batch_size, num_workers=workers, drop_last=True)
test_loader = Data.DataLoader(dataset=Data.TensorDataset(test_set, test_label),
batch_size=batch_size, num_workers=workers, drop_last=True)
return train_loader, test_loader
batch_size = 64
# 加载数据
train_loader, test_loader = dataloader(batch_size)3.2 定义EMD-Transformer预测模型
注意：输入风速数据形状为 [64, 10, 7]， batch_size=64, 维度10维代表10个分量，7代表序列长度（滑动窗口取值）。
3.3 定义模型参数
python
# 定义模型参数
batch_size = 64
input_len = 7 # 输入序列长度为7 (窗口值)
input_dim = 10 # 输入维度为10个分量
hidden_dim = 100 # Transformer隐层维度
num_layers = 4 # 编码器层数
num_heads = 2 # 多头注意力头数
output_size = 1 # 单步输出
model = EMDTransformerModel(batch_size, input_len, input_dim, hidden_dim, num_layers, num_heads, output_size=1)
# 定义损失函数和优化函数
model = model.to(device)
loss_function = nn.MSELoss() # loss
learn_rate = 0.0003
optimizer = torch.optim.Adam(model.parameters(), learn_rate) # 优化器3.4 模型训练
训练结果
采用两个评价指标：MSE 与 MAE 对模型训练进行评价，100个epoch，MSE 为0.01627，MAE 为 0.0005549，EMD-Transformer预测效果良好，适当调整模型参数，还可以进一步提高模型预测表现。EMD-Transformer参数量不到LSTM模型的十分之一，效果相近，可见EMD-Transformer性能的优越性。
注意调整参数：
-
可以适当增加Transformer堆叠编码器层数和隐藏层的维度，微调学习率；
-
调整多头注意力头数，增加更多的 epoch （注意防止过拟合）
-
可以改变滑动窗口长度（设置合适的窗口长度）
3.5 结果可视化
