往期精彩内容：
时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较
EMD变体分解效果最好算法------CEEMDAN（五）-CSDN博客
拒绝信息泄露！VMD滚动分解 + Informer-BiLSTM并行预测模型-CSDN博客
风速预测（一）数据集介绍和预处理_风速数据在哪里下载-CSDN博客
风速预测（二）基于Pytorch的EMD-LSTM模型-CSDN博客
风速预测（三）EMD-LSTM-Attention模型-CSDN博客
风速预测（四）基于Pytorch的EMD-Transformer模型-CSDN博客
风速预测（五）基于Pytorch的EMD-CNN-LSTM模型-CSDN博客
风速预测（六）基于Pytorch的EMD-CNN-GRU并行模型-CSDN博客
风速预测（七）VMD-CNN-BiLSTM预测模型-CSDN博客
CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(Transformer - BiLSTM + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(CNN-LSTM + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(CNN-Transformer + ARIMA)-CSDN博客
多特征变量序列预测(一)------CNN-LSTM风速预测模型-CSDN博客
多特征变量序列预测(二)------CNN-LSTM-Attention风速预测模型-CSDN博客
多特征变量序列预测(三)------CNN-Transformer风速预测模型-CSDN博客
多特征变量序列预测(四) Transformer-BiLSTM风速预测模型-CSDN博客
多特征变量序列预测(五) CEEMDAN+CNN-LSTM风速预测模型-CSDN博客
多特征变量序列预测(六) CEEMDAN+CNN-Transformer风速预测模型-CSDN博客
多特征变量序列预测(七) CEEMDAN+Transformer-BiLSTM预测模型-CSDN博客
多特征变量序列预测(八)基于麻雀优化算法的CEEMDAN-SSA-BiLSTM预测模型-CSDN博客
多特征变量序列预测(九)基于麻雀优化算法的CEEMDAN-SSA-BiGRU-Attention预测模型-CSDN博客
多特征变量序列预测(10)基于麻雀优化算法的CEEMDAN-SSA-Transformer-BiLSTM预测模型-CSDN博客
多特征变量序列预测(11) 基于Pytorch的TCN-GRU预测模型-CSDN博客
基于麻雀优化算法SSA的CEEMDAN-BiLSTM-Attention的预测模型-CSDN博客
基于麻雀优化算法SSA的CEEMDAN-Transformer-BiGRU预测模型-CSDN博客
VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型-CSDN博客
基于麻雀优化算法SSA的预测模型------代码全家桶-CSDN博客
VMD + CEEMDAN 二次分解，CNN-Transformer预测模型-CSDN博客
风速预测（八）VMD-CNN-Transformer预测模型-CSDN博客
高创新 | CEEMDAN + SSA-TCN-BiLSTM-Attention预测模型-CSDN博客
VMD + CEEMDAN 二次分解，Transformer-BiGRU预测模型-CSDN博客
模型简介：
CEEMDAN +组合预测模型(BiGRU-GlobalAttention + XGBoost)
本文是对参考文献的复现加改进：
创新1：把基于注意力机制的GRU改进优化为基于全局注意力机制Global-Attention的双向递归神经网络
创新2：把 CEEMDAN 算法对时间序列分解后的分量通过样本熵的计算进行划分，再分别通过 BiGRU-GlobalAttention 模型 和 XGBoost 模型进行组合预测，来实现精准预测。
前言
本文基于前期介绍的电力变压器（文末附数据集），介绍一种综合应用完备集合经验模态分解CEEMDAN与组合预测模型（BiGRU-GlobalAttention + XGBoost）的方法，以提高时间序列数据的预测性能。该方法的核心是使用CEEMDAN算法对时间序列进行分解，接着利用BiGRU-GlobalAttention模型和XGBoost模型对分解后的数据进行建模，最终通过集成方法结合两者的预测结果。电力变压器数据集的详细介绍可以参考下文：
1 电力变压器数据CEEMDAN分解与可视化
1.1 导入数据
1.2 CEEMDAN分解
根据分解结果看，CEEMDAN一共分解出11个分量，然后通过计算每个分量的样本熵值进行分析。样本熵是一种用于衡量序列复杂度的方法，可以通过计算序列中的不确定性来评估其复杂性。样本熵越高，表示序列的复杂度越大。
我们大致把前6个高样本熵值复杂分量作为BiGRU-GlobalAttention模型的输入进行预测，后5个低样本熵值简单分量作为XGBoost模型的输入进行预测.
2 数据集制作与预处理
划分数据集
按照9：1划分训练集和测试集， 然后再按照前6后5划分分量数据设置滑动窗口大小为7，制作数据集
分批保存数据，用于不同模型的预测
3 基于CEEMADN的BiGRU-GlobalAttention预测模型****
3.1 定义BiGRU-GlobalAttention网络模型
3.2 设置参数，训练模型
50个epoch，MSE 为0.001179，BiGRU-GlobalAttention预测效果显著，模型能够充分提取时间序列的时序特征和空间特征，收敛速度快，性能优越，预测精度高，适当调整模型参数，还可以进一步提高模型预测表现。
注意调整参数：
-
可以适当增加BiGRU层数和隐藏层的维度，微调学习率；
-
调整注意力维度数，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）
保存训练结果和预测数据，以便和后面XGBoost模型的结果相组合。
4 基于XGBoost的模型预测
传统机器学习模型 XGBoost 教程如下：
数据加载，训练数据、测试数据分组，5个分量，划分5个数据集
保存预测的数据，其他分量预测与上述过程一致，保留最后模型结果即可。
5 结果可视化和模型评估
5.1 分量预测结果可视化
5.2 组合预测结果可视化
5.3 模型评估
由分量预测结果可见，前6个复杂分量在BiGRU-GlobalAttention预测模型下拟合效果良好，后5个简单分量在XGBoost模型的预测下，拟合程度特别好，组合预测效果显著！
6 代码、数据整理如下：
