利用EEMD-GRU-MLR模型进行时间序列预测

0、前言内容概述

在文献《基于 EEMD-GRU-MLR 的短期电力负荷预测》中，研究者提出了一种融合集合经验模态分解（ensemble empirical mode decomposition，EEMD）、门控循环单元神经网络（gated recurrent unit neural network，GRU）与多元线性回归（multiple linear regression，MLR）的联合预测模型，即 EEMD-GRU-MLR（EGM），该方法显著提升了短期电力负荷预测的准确性。相关理论内容可参见该研究成果。

1、EEMD+GRU+MLR组合时间序列预测方法亮点

①运用集合经验模态分解EEMD 技术，可将原始序列拆解为多个具有不同频率特性的本征模函数以及残余项（Residual）。每个本征模函数均能够反映特定时间尺度下的局部特征，在有效提取数据信息的同时，也避免了不同局部特征之间的相互影响。

②通过引入GRU 神经网络 与多元线性回归MLR 方法，对各频率段的本征模函数实施多步迭代预测，并将预测结果进行叠加还原，从而获得完整的预测曲线。其