基于变分模态分解和麻雀算法优化长短期记忆网络的多维时间序列预测，VMD-SSA-LSTM多维时间序列预测。MATLAB代码（含LSTM、VMD-LSTM、VMD-SSA-LSTM三个模型的对比）

clc;
clear all
close all

%% VMD-SSA-LSTM多维时间序列预测
tic
load data.mat
load vmd_data.mat
load LSTM.mat
disp('…………………………………………………………………………………………………………………………')
disp('VMD-SSA-LSTM预测')
disp('…………………………………………………………………………………………………………………………')
%% 建立
T_sim5 =[];
T_sim6 =[];

for i = 1:size(u,1)
    
disp(['对第',num2str(i),'个分量进行建模'])
data2= [data(:,1:end-1),u(i,:)'];
num_samples = length(data2);       % 样本个数 
kim = 5;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测
or_dim = size(data2,2);
res=[];
%  重构数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(data2(i: i + kim - 1,:), 1, kim*or_dim), data2(i + kim + zim - 1,:)];
end

% 训练集和测试集划分
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度

P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

智能算法及其模型预测