一种复杂高噪声信号的混合深度学习模型时序预测方法

本发明公开了一种复杂高噪声信号的混合深度学习模型时序预测方法，首先将原始时间序列数据划分为训练集和测试集并生成时间序列，进行归一化预处理后分别对训练集和测试集进行VMD处理；然后利用Prophet模型对数据中的趋势和季节性特征进行建模，输出初步预测结果，并提取残差部分；再使用SARIMA模型对Prophet模型产生的残差部分进行建模，使用LSTM模型对SARIMA模型产生的残差部分进行建模，使用差分进化算法优化LSTM模型的超参数，生成优化的预测结果；最后将三种模型的预测结果进行融合，输出最终预测值。本发明通过多阶段递进式处理残差，充分利用三种神经网络模型的优势，能够降低噪声对预测的影响，有效捕捉信号中的不同特征，显著提高了预测的准确性与稳定性。