连续小波变换（CWT）+时间序列预测！融合时频分析与深度学习的预测新思路

往期精彩内容：

单步预测-风速预测模型代码全家桶-CSDN博客

半天入门！锂电池剩余寿命预测（Python）-CSDN博客

 VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型-CSDN博客

超强预测算法：XGBoost预测模型-CSDN博客

基于麻雀优化算法SSA的预测模型——代码全家桶-CSDN博客

 独家原创 | SCI 1区 高创新预测模型！-CSDN博客

风速预测（八）VMD-CNN-Transformer预测模型-CSDN博客

高创新 | CEEMDAN + SSA-TCN-BiLSTM-Attention预测模型-CSDN博客

 独家原创 | 基于TCN-SENet +BiGRU-GlobalAttention并行预测模型-CSDN博客

独家原创 | BiTCN-BiGRU-CrossAttention融合时空特征的高创新预测模型-CSDN博客

CEEMDAN +组合预测模型(CNN-Transfromer + XGBoost)-CSDN博客

时空特征融合的BiTCN-Transformer并行预测模型-CSDN博客

独家首发 | 基于多级注意力机制的并行预测模型-CSDN博客

独家原创 | CEEMDAN-CNN-GRU-GlobalAttention + XGBoost组合预测-CSDN博客

多步预测系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客

独家原创 | CEEMDAN-Transformer-BiLSTM并行 + XGBoost组合预测-CSDN博客

涨点创新 | 基于 Informer-LSTM的并行预测模型-CSDN博客

独家原创 | 基于 Informer + TCN-SENet的并行预测模型-CSDN博客

即插即用 | 时间编码+LSTM+全局注意力-CSDN博客

粉丝福利 | 再添 Seq2Seq 多步预测模型-CSDN博客

暴力涨点！ | 基于 Informer+BiGRU-GlobalAttention的并行预测模型-CSDN博客

热点创新 | 基于 KANConv-GRU并行的多步预测模型-CSDN博客

重大更新！锂电池剩余寿命预测新增 CALCE 数据集_calce数据集-CSDN博客

基于 VMD滚动分解+Transformer-GRU并行的锂电池剩余寿命预测模型

快速傅里叶变换暴力涨点！基于时频特征融合的高创新时间序列分类模型-CSDN博客

基于CNN-BiLSTM-Attention的回归预测模型！-CSDN博客

继续更新！注意力机制+锂电池剩余寿命预测合集

前言

注意：本模型继续加入 单步预测全家桶 中，之前购买的同学请及时更新下载！

本期更新推出一种基于连续小波变换（Continuous Wavelet Transform, CWT）与VGG模型的时间序列预测方法，将传统时频分析技术与深度学习相结合，有效解决了复杂时间序列的建模难题。通过将一维时序信号转换为二维时频图像，充分利用卷积神经网络（CNN）对图像特征的强大提取能力，在保证时序局部特征的同时，显著提升模型对非平稳信号的适应性。

单步预测全家桶（单变量、多特征变量、风速、电力负荷预测），最全合集：

CNN、LSTM、Transformer、TCN、Attention、KAN，串行、并行、组合预测模型，EMD、VMD、CEEMDAN分解结合深度学习模型，机器学习预测等 39 个模型集合都在这里：

● 环境框架：python 3.9  pytorch 2.1 及其以上版本均可运行

● 代码风格：jupyter格式（提供vscode、pycharm运行教程）

● 使用对象：论文需求、毕业设计需求者

● 价格：39个代码模型，全网最低价 139.8

● 代码保证：代码注释详细、即拿即可跑通。

包括完整流程数据代码处理：

单步预测数据集制作、数据加载、模型定义、参数设置、模型训练、模型测试、预测可视化、模型评估（所有全家桶模型会不断加入新的模型，购买后可以免费进行更新！）

1 模型简介

模型核心思想

（1）时频转换：利用CWT捕捉时序信号的时频局部特性，生成高分辨率的时频图像；

（2）特征学习：借助VGG模型提取时频图像的深层语义特征；

（3）预测建模：通过全连接网络将图像特征映射为未来时间点的预测值。

2数据处理流程

2.1 滑动窗口介绍

在时间序列预测问题中，滑动窗口是一种常用的数据处理方法，用于将时间序列数据转换为模型的输入特征和输出标签。滑动窗口的基本思想是以固定的时间窗口长度对时间序列进行切片，每次滑动一定的步长，从而生成一系列的子序列。这些子序列可以作为模型的输入特征，同时可以对应相同长度的下一个时间步的数据作为输出标签。这样就可以将时间序列数据转换为监督学习问题的数据集，用于训练和测试预测模型。

具体来说，对于一个时间序列 [x1, x2, x3, ..., xn]，滑动窗口的过程如下：

（1）择固定长度的时间窗口，比如长度为w。

（2）从序列的起始位置开始，取前w个数据作为输入特征，同时取第w+1个数据作为输出标签，形成第一个样本。

（3）然后向后滑动一个固定的步长，取第2到w+1个数据作为输入特征，同时取第w+2个数据作为输出标签，形成第二个样本，依此类推，直到序列末尾。

比如序列长为20，滑动窗口设置为4

训练集，滑动：

构造训练集数据和对应标签：

构造测试集数据和对应标签：

通过滑动窗口的处理，原始的时间序列数据被转换为一系列的样本，每个样本包括了固定长度的输入特征和对应的输出标签，用于模型的训练和测试。滑动窗口技术可以帮助模型捕捉时间序列数据的局部模式和趋势，提高模型对时间序列的预测能力。

2.2 数据预处理与特征工程流程

(1) 滑动窗口分割

①输入：原始时间序列 X={x1,x2,...,xT}

②操作：

• 生成窗口序列：W={W1,W2,...,WN},Wi={xi,xi+1,...,xi+L−1}

  • 窗口长度 L：截取局部时序片段（如 L=128）

(2) 连续小波变换（CWT）

①参数配置：

• 小波基函数：Morlet小波（'morl'，兼顾时频分辨率）

  • 尺度范围：scales=[1,2,...,64]scales=[1,2,...,64]（控制频率分辨率）

②操作：
    对每个窗口Wi 执行CWT，生成时频图像数据。

3 基于CWT+VGG的预测模型

3.1 定义VGG模型，设置参数，训练模型

3.1 预测结果可视化

3.2 模型评估

本次主要推出一种时频图像结合深度学习模型的预测思路，时频图像的变换方式，不同参数的尝试，不同模型的组合预测，还有很大的探索空间！

比如上述模型中小波基函数的选择，其他参数的设置例如：窗口值的选择，小波参数，时频图参数等等，都还有很多不同尝试的组合，来进一步提升模型预测效果！

4 代码、数据整理如下：

点击下方卡片获取代码！