1 长时间序列预测模型Informer
Informer是一种基于自注意力机制的序列预测模型，专门用于时间序列预测任务,在时间序列预测领域取得了显著的性能Informer主要特点：
-
注意力机制与多层编码器-解码器结构
Informer模型引入了全局自注意力和局部自注意力机制。全局自注意力用于捕捉序列中的全局依赖关系，而局部自注意力用于处理序列中的局部关系。通过结合全局和局部自注意力机制，Informer能够平衡对全局和局部信息的建模，从而更好地捕捉序列中的重要特征。
Informer模型采用了多层编码器-解码器结构，类似于Transformer模型。编码器部分用于将输入序列进行特征提取和编码，解码器部分用于根据编码器的输出生成预测结果。通过多层的编码器-解码器结构，Informer模型可以逐层地提取和利用序列中的信息，从而更好地进行预测。
-
时间特征嵌入
Informer模型还引入了时间特征嵌入，将时间信息作为额外的输入特征进行建模。通过将时间信息嵌入到模型中，Informer可以更好地考虑时间对序列数据的影响，从而提高预测的准确性。
-
长时序预测：
Informer模型不仅可以进行下一个时间步的预测，还可以进行未来多个时间步的预测。这使得Informer模型在长期预测任务中表现出色，可以预测较长时间范围内的序列。
通过这些特点和创新设计，Informer模型在时间序列预测任务中取得了显著的性能改进。它能够有效地捕捉序列中的长期和短期依赖关系，并充分利用全局和局部信息进行建模。Informer模型的设计使其适用于各种时间序列数据，包括气候数据、交通数据、金融数据等。
2 二次分解：VMD + CEEMDAN
VMD以其出色的信号分解性能而著称，能够将信号分解为多个本征模式，这使得VMD在时域和频域的信号分析中具有广泛的应用。而CEEMDAN则通过构建自适应噪声模型，提高了分解的鲁棒性和稳定性，进一步拓展了信号处理的领域。
将VMD和CEEMDAN这两种强大的信号分解算法相结合，形成了一个更为灵活和高效的二次分解模型。这种组合模型在处理复杂信号、提取关键特征方面具有独特优势，为数据挖掘和预测任务提供了更为准确和可靠的基础。
3 组合预测模型：Informer + LSTM
Informer以其独特的序列建模方式脱颖而出，能够灵活地处理全局和局部信息，对于序列预测任务非常得心应手。而LSTM（长短时记忆网络）则是神经网络领域经典算法，通过记忆机制高效捕捉序列中的长期依赖关系。
结合Informer和LSTM这两个强大的神经网络模型，形成了组合预测模型。Informer以其对序列建模的创新性方法和对全局和局部信息的充分利用而脱颖而出，而LSTM则通过长短时记忆网络有效地捕捉序列中的长期依赖关系。
这种组合模型的优势在于充分发挥了Informer和LSTM各自的优点，通过二次分解的方式更好地提取了输入序列的特征，为序列预测任务提供了更为强大的建模能力。
实验表明，该组合模型方法 在多个数据集上 均表现出 卓越的效果！！！
4 代码分享和论文指导
有需要论文创新、模型方法改进指导的同学可以关注[建模先锋]，联系博主！
点击下载：数据集和代码全家桶
4.1 时间序列预测
时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较-CSDN博客
风速预测（一）数据集介绍和预处理-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
CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(CNN-LSTM + 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-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
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
4.2 轴承故障诊断
Python-凯斯西储大学（CWRU）轴承数据解读与分类处理
Python轴承故障诊断 (一)短时傅里叶变换STFT
Python轴承故障诊断 (二)连续小波变换CWT_pyts 小波变换 故障-CSDN博客
Python轴承故障诊断 (三)经验模态分解EMD_轴承诊断 pytorch-CSDN博客
Pytorch-LSTM轴承故障一维信号分类(一)_cwru数据集pytorch训练-CSDN博客
Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客
Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客
Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客
Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客
Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客
Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客
基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客
基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客
大甩卖-（CWRU）轴承故障诊数据集和代码全家桶-CSDN博客
Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客
Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客
Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客
交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客
