一种基于深度集成学习模型和高低频分离的时间序列数据预测方法

本发明属于时间序列预测的技术领域，更具体地，涉及一种基于深度集成学习模型和高低频分离的时间序列数据预测方法。所述方法包括：收集系统中的时间序列数据，对得到的数据进行预处理；对原始时间序列数据进行VMD变分模态分解，将时间序列分解成K个有限带宽的模态分量；联合最大信息系数法和重构误差分析法来确定最佳的分解模态数量K；对分解的所有模态使用过零率和中心频率来划分高低频分量；分别针对高频分量和低频分量建立合适的预测模型；将所有模态预测结果进行叠加，得到最终的时间序列预测结果。本发明组合了多种深度学习模型使得预测方法具备更强的灵活性和适应性，能够针对不同特征的分量选择合适的模型进行预测，从而提升整体性能。