此代码已经继续加入 二次分解——创新模型预测 全家桶：二次分解——创新模型预测全家桶 (mbd.pub)
全家桶包括以下内容：
1.VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型 (mbd.pub)
2.VMD + CEEMDAN 二次分解，CNN-LSTM预测模型 (mbd.pub)
3.VMD+CEEMDAN二次分解，Transformer-BiGRU预测模型 (mbd.pub)
4.VMD+CEEMDAN二次分解，CNN-Transformer预测模型 (mbd.pub)
创新点：二次分解 + 注意力模型
包括 风速数据， 以及已经生成制作好的风速数据集、标签集，对应代码均可以运行
VMD + CEEMDAN二次分解，BiLSTM-Attention预测模型, 有着更小的MSE, MAE，效果特别明显，提升显著！！
包括数据预处理的和二次分解代码，和完整BiLSTM-Attention 模型预测代码、可视化代码
环境：python 3.9 Pytorch 1.8 以上
任何环境安装或者代码问题，请联系作者沟通交流，对于购买者，作者免费解决调试问题，关注微信公众号[建模先锋]，联系作者；
前言
本文基于前期介绍的风速数据（ 文末附数据集 ），介绍一种基于VMD+CEEMDAN二次分解的BiLSTM-Attention预测模型，以提高时间序列数据的预测性能。
1 二次分解与数据集制作
1.1 导入数据
1.2 VMD分解
第一步，根据不同K值条件下， 观察中心频率，选定K值； 从K=4开始出现中心频率相近的模态，出现过分解，故模态数 K 选为4。
第二步，分解可视化
1.3 样本熵
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。
通过对VMD分解出四个分量的样本熵计算，残差项IMF4有着更丰富的不可控信息，为进一步提取IMF4中的有效信息，对VMD的残差项IMF4，进行CEEMDAN分解
1.4 CEEMDAN分解
对 VMD分解出的 最后一个残差分量进行再分解
1.5 数据集制作
先合并VMD和CEEMDAN分解的分量，按照8：2划分训练集和测试集
2 基于Pytorch的BiLSTM-Attention 预测模型
2.1 定义BiLSTM-Attention预测模型
注意：输入风速数据形状为 [64, 7, 14]， batch_size=64，7代表序列长度（滑动窗口取值）, 维度14维代表合并分量的维度。
2.2 设置参数，训练模型
50个epoch，MSE 为0.002896，VMD+CEEMDAN二次分解的BiLSTM-Attention预测效果良好，二次分解后，能够提取序列中更多的信息，预测效果提升明显，性能优越，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：
- 可以修改BiLSTM层数和每层维度数；
- 调整注意力隐藏层维度数，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）
3 模型评估与可视化
3.1 结果可视化
4.2 模型评估
