【MATLAB 】 VMD-ARIMA联合时序预测算法，科研创新优选算法
微信公众号由于改变了推送规则，为了每次新的推送可以在第一时间出现在您的订阅列表中，记得将本公众号设为星标或置顶哦~
有意向获取代码，请转文末观看代码获取方式~
1 VMD分解算法
VMD 分解又叫变分模态分解，英文全称为Variational Mode Decomposition。
VMD是一种新型的信号分解方法，它是通过使用变分推断方法将信号分解为一组局部振动模式，每个模式包含多个频率组件。VMD的主要步骤如下：
- 将原始信号进行多次低通滤波，得到多个频带信号。
- 对每个频带信号进行变分推断，得到该频带信号的局部振动模式。
- 将所有频带信号对应的局部振动模式相加，得到原始信号的 VMD 分解。 VMD 分解具有以下优点：能够自动提取信号的局部特征，避免了传统分解方法中需要手动选择基函数的问题；能够处理非线性和非平稳信号，并且不会产生模态重叠的问题。因此，VMD 在信号处理、图像处理和模式识别等领域也得到了广泛的应用。
关于简短的代码视频教程均可关注B站、小红书、知乎同名账号（Lwcah）观看教程~
MATLAB 信号分解第七期-VMD 分解:
https://mbd.pub/o/bread/ZJWZmppu
信号分解全家桶详情请参见：
https://mbd.pub/o/author-aWWWnHBsYw==/work
2 ARIMA时序预测算法
ARIMA（Autoregressive Integrated Moving Average）模型是一种基于时间序列分析的预测模型，可以用于分析和预测具有时间依赖性和随机性的数据。ARIMA 模型最初是由 Box 和 Jenkins 等人于 1976 年提出的，是一种广泛使用的时间序列模型，被用于生产和金融等领域的数据预测。 ARIMA 模型的核心思想是对时间序列数据进行差分，使得序列变得平稳，然后通过自回归（AR）和移动平均（MA）的组合来建立模型，并利用该模型进行预测。ARIMA 模型中的“AR”表示自回归，即当前数据与前面若干时刻的数据相关；“I”表示差分，即对数据进行差分使其平稳；“MA”表示移动平均，即当前数据与前面若干时刻的误差相关。 ARIMA 模型的建立过程包括模型识别、参数估计和模型检验三个步骤。在模型识别阶段，需要确定 ARIMA 模型的阶数和差分次数；在参数估计阶段，需要对模型进行参数估计；在模型检验阶段，需要对模型进行检验并判断模型的预测精度是否满足要求。 ARIMA 模型的优点是可以充分利用时间序列数据的历史信息进行预测，能够适应多种不同类型的时间序列数据，并且模型具有较好的解释性。但是 ARIMA 模型也有一些缺点，如对于非平稳的时间序列数据需要进行差分处理，同时模型的参数估计过程较为繁琐。
MATLAB | 时间序列预测 | ARIMA 预测模型:
https://mbd.pub/o/bread/ZJaXlJpw
5 种时序预测方案全家桶详情请参见：
https://mbd.pub/o/bread/ZJaXlJts
3 VMD-ARIMA联合时序预测算法
接下来详细介绍一下最新的 VMD-ARIMA 联合时序预测算法的原理和思路。
信号分解可以将原始数据分解为 N 层 imf 分量，然后本研究对每层的 imf 分量展开 ARIMA 时序预测，并将预测后的 imf 分量的预测值进行重构，即可得到 VMD-ARIMA 联合时序预测值。
将该VMD-ARIMA 联合时序预测值与单纯的 ARIMA 时序预测值分别与真实值进行对比，求其相关系数、均方根误差以及平均误差可以发现，VMD-ARIMA 联合时序预测算法有较好的预测效果。究其原因不难发现，信号分解是将原始数据分解为不同频率的数据，也即每一层imf分量的频率大致相同，是具有较好的周期性和规律性的数据、因而当采用 ARIMA 时序预测算法对每一层 imf 分量展开预测的时候其预测效果会更加接近真值。
如下为预测过程中的一些示意图。
如下为简短的视频操作教程。
VMD-ARIMA 联合时序预测算法代码获取：
https://mbd.pub/o/bread/ZJqcmZ5p
关于代码有任何疑问，均可关注公众号（Lwcah）后，后台回复关键词：微信号。
获取 up 的个人微信号，添加微信号后可以一起探讨科研，写作，代码等诸多学术问题，我们一起进步~
1、感谢关注 Lwcah 的个人公众号，有关资源获取，请公众号后台发送推文末的关键词，自助获取。
2、若要添加个人微信号，请后台发送关键词：微信号。
3、若要进微信群：Lwcah 科研技巧群 3。请添加个人微信号后进群（大家沉浸式科研，广告勿扰），不定时更新科研技巧类推文。可以一起探讨科研，写作，文献，代码等诸多学术问题，我们一起进步。
记得关注公众号，并设为星标哦~谢谢啦~
