简介：这是一份面向时间序列预测与毕业设计场景的完整且可直接运行的Python工程，基于TensorFlow实现CEEMDAN、VMD、GRU与ARIMA的组合建模，覆盖信号分解、特征提取、神经网络预测和误差修正的完整流程，适合需要开展组合预测研究或课程设计的学生直接参考。压缩包共3个文件、大小仅52KB，包含2个CSV格式的数据文件和1个Python源码，可直接作为算法验证与预测实验的输入样例。目前已有387人学习下载，是同类组合预测资源中较受关注的方案。源码采用参数化编程，几乎一行一注释，从环境配置到参数调整都有清晰指引；整体结构按数据处理、分解、预测、评估分段组织，初学者可逐模块学习，也可以快速替换为自己的数据复现实验，代码注释详细，便于二次开发与改进。
1. 为什么 CEEMDAN-ISOS-VMD-GRU-ARIMA 值得复现
看到“Python实现CEEMDAN-ISOS-VMD-GRU-ARIMA时间序列预测”这个标题，第一反应往往不是兴奋，而是被三个信号分解算法和两个预测模型的长串组合吓到。但拆开看，它解决的是单模型很难啃下的非平稳时序预测难题：实际数据里趋势、周期、噪声和局部突变往往挤在一起，单独用ARIMA会被非线性成分带偏，单独用GRU又容易在长记忆上失效。做法是把原始信号先做CEEMDAN分解，再用ISOS优化过的VMD做二次分离，最后让GRU处理高频成分、ARIMA处理低频趋势，再把预测结果叠加回最终序列。这套流水线在负荷预测、流量预测、水位预测里被反复证明有效，适合已经会用Python跑sklearn和TensorFlow、但想突破时序精度瓶颈的工程师。本文不贴完整项目源码，而是把这条管道的实现思路、关键代码和坑讲清楚。
2. 把 CEEMDAN、ISOS、VMD、GRU、ARIMA 的流水线拆开
2.1 CEEMDAN：为什么不用 EMD 或 EEMD
以EMD为代表的经验模态分解，把原始序列按局部极值包络逐层拆成多个固有模态函数。它不预设基函数，看起来适合非平稳数据，但最大问题是模态混叠：一个IMF里经常同时出现多个频带，物理意义不干净。EEMD通过在每次分解前加入高斯白噪声，让混叠在不同试验中被平均掉，代价是重构结果里残留噪声。CEEMDAN的核心改进是在每一层分解时都加入自适应白噪声，并且分解完成后再去除噪声分量，最终得到的IMF既能有效分离频带，又能几乎无损重构原序列。
在Python里，PyEMD库提供了现成的CEEMDAN实现。基本调用如下：
from PyEMD import CEEMDAN import numpy as np t = np.linspace(0, 1, 1000) signal = np.sin(2 * np.pi * 5 * t) + 0.5 * np.sin(2 * np.pi * 30 * t) + 0.2 * np.random.randn(1000) ceemdan = CEEMDAN(trials=50, noise_width=0.05) imfs = ceemdan(signal) print(imfs.shape) # 输出形状为 (分量数量, 样本数)trials表示添加白噪声后平均的次数，noise_width是噪声幅值占信号标准差的比例。imfs里面最后一行是残差，不是真正的IMF。判断分解是否合格，比较简单的方法是检查重构误差：
reconstructed = imfs.sum(axis=0) rmse = np.sqrt(np.mean((signal - reconstructed) ** 2))rmse越小说明分解的可靠性越高，一般量级应低于信号标准差的百分之一。如果这个误差很大，先检查trials是否太小，再看noise_width是否过大。工程上我一般会把trials设为100起步，因为单次CEEMDAN运行时间并不长，多加几次平均能明显稳定IMF形状。
2.2 VMD 与 ISOS 之间的关系
VMD是另一种完全不同的分解思路。它通过构造变分问题，把输入信号拆成指定个数的带限模态，每个模态的中心频率和带宽在迭代中被自动分离。VMD的优点是对模态混叠的抑制能力强，缺点是需要预设两个关键参数：模态个数K和惩罚因子alpha。K设少了，混合频带散不开；K设多了，会出现虚假模态。alpha控制模态的带宽约束，过大会让模态过度光滑，过小又会产生噪声泄露。
工程上很难靠一次两次试验确定这两个参数，于是就有了ISOS这类群体智能优化算法的用武之地。ISOS是在SOS基础上改进得到的，SOS通常指共生生物搜索，模拟生物之间互利共生、共栖和寄生三种关系。ISOS在不同论文里更新公式差别很大，但共同点是种群个体携带一组待优化参数，通过适应度函数评估好坏，不断迭代逼近最优解。
这里需要明确一个观点：ISOS并不是负责预测的模型，而是VMD的“参数搜索引擎”。它搜索的空间是[K, alpha]，适应度函数则是某个衡量VMD分解质量的指标。许多人在复现这类标题时把重点放在GRU和ARIMA上，却忽视了ISOS的适应度函数设计，导致最终效果还不如手动选参数。
2.3 为什么高频给 GRU、低频给 ARIMA
GRU是LSTM的简化版本，只有更新门和重置门，参数更少、训练更快，在处理高频、非线性、短记忆成分时表现比较稳定。ARIMA则是典型的线性统计模型，对趋势项和平稳成分拟合效果很好，且预测结果有可解释性。一个时间序列经过CEEMDAN和VMD分解后，高频模态往往是非平稳的局部波动，适合GRU去捕捉模式；低频模态和残差则呈现缓慢变化，用ARIMA拟合回归部分更合理。
如果把这个分工调反，局面会变得很难看。ARIMA处理高频成分时，滞后阶数难以确定，预测误差会被迅速放大；GRU处理低频长期趋势时，又容易因为样本量不足而发生过拟合。所以在这类混合模型的复现中，先观察各IMF的频谱和方差贡献，再决定哪些送给GRU、哪些送给ARIMA，是很重要的一步。
| 组件 | 处理对象 | 主要参数 | 常用Python库 |
|---|---|---|---|
| CEEMDAN | 原始非平稳序列 | trials, noise_width | PyEMD |
| ISOS | VMD参数寻优 | 种群数、迭代次数、K范围、alpha范围 | 自写 |
| VMD | 混频或宽频带IMF | K, alpha, tau, init | vmdpy |
| GRU | 高频非线性成分 | hidden_size, dropout, time_step | TensorFlow/Keras |
| ARIMA | 低频趋势和残差 | p, d, q | statsmodels |
2.4 一个容易忽略的分量选择策略
不是所有CEEMDAN分解出来的IMF都值得送到ISOS-VMD里进行二次分解。有些IMF本身频带已经很窄，再跑VMD只会浪费时间并可能引入虚假模态。常见做法是依次计算每个IMF和原始信号的Pearson相关系数，并观察IMF频谱的峰值个数。相关系数低的分量，通常与主体信号关系不大，可以直接送到残差组；相关系数高且频谱主峰分散的分量，才进入ISOS-VMD流程。
我一般使用这样一个判断逻辑：
from scipy import signal as sp_signal def needs_second_decompose(imf, original, corr_threshold=0.1): corr = np.abs(np.corrcoef(imf, original)[0, 1]) if corr < corr_threshold: return False freqs, powers = sp_signal.welch(imf) peaks = np.sum(powers > np.median(powers)) return peaks > 1corr_threshold控制进入VMD的IMF数量。如果设置过高，许多有效信息被忽略；设置过低，又会增加VMD的无效计算。peaks > 1说明频谱不是单峰，存在混频风险。这个选择策略写起来很简单，但它决定了整个管道的计算开销和最终精度，值得在复现时单独写一页测试。
3. 把 ISOS-VMD 跑通得到可预测的子序列
3.1 vmdpy 的调用与参数
VMD在Python里的常用实现是vmdpy库，核心接口是一个VMD()函数。它输入原始信号和一组参数，返回分解后的模态数组、频域表示和中心频率。调用代码非常精简：
from vmdpy import VMD def vmd_decompose(signal, K, alpha): tau = 0 DC = 0 init = 1 tol = 1e-7 u, u_hat, omega = VMD(signal, alpha, tau, K, DC, init, tol) return u, omegaK是模态个数，alpha是惩罚因子，tau是噪声容忍度，DC表示是否需要提取直流分量，init控制中心频率初始化方式，tol是迭代停止阈值。u的形状是(K, 样本数)，也就是K个模态；omega则是每个模态的中心频率轨迹。复现时先固定其余参数，只让ISOS去接力搜索K和alpha，这样搜索空间只有二维，优化器不容易发散。
3.2 ISOS 适应度函数怎么写
要让ISOS驱动VMD，必须定义适应度函数。一个经典方案是计算每个VMD模态的包络熵，包络熵越小说明模态的稀疏性和正则性越好，分解效果越接近理想。包络可以通过希尔伯特变换求瞬时幅值得到：
from scipy.signal import hilbert def envelope_entropy(modal): analytic = hilbert(modal) amplitude = np.abs(analytic) p = amplitude / (amplitude.sum() + 1e-12) p = p[p > 0] return -np.sum(p * np.log(p)) def fitness_individual(individual, original_signal): K = int(round(individual[0])) alpha = individual[1] u, _ = vmd_decompose(original_signal, K, alpha) entropy_list = [envelope_entropy(u[i]) for i in range(K)] corr_list = [abs(np.corrcoef(u[i], original_signal)[0, 1]) for i in range(K)] return np.mean(entropy_list) - 0.01 * np.mean(corr_list)这里减去平均相关系数，是为了避免优化器把“熵最小”理解为把所有能量拆到极窄频段、与原始信号失去关联。系数0.01是一个经验值，当你发现优化结果出现大量无效模态时，适当调大这个系数。注意alpha在搜索空间中一般不做对数缩放，但在ISOS初始化时可以设置取值范围为[200, 5000]，避免数量级差距让优化器走很多冤枉路。
3.3 ISOS 优化器最小运行模板
接下来用一个可以实际运行的最小SOS框架来模拟ISOS。ISOS与标准SOS的核心差别通常在第三阶段的寄生更新方式，我会在代码注释里标出哪里是替换点：
class ISOSOptimizer: def __init__(self, original_signal, bounds, pop_size=10, max_iter=20): self.signal = original_signal self.bounds = bounds # [(K_min, K_max), (alpha_min, alpha_max)] self.pop_size = pop_size self.max_iter = max_iter self.pop = np.array([ [ np.random.randint(bounds[0][0], bounds[0][1] + 1), np.random.uniform(bounds[1][0], bounds[1][1]), ] for _ in range(pop_size) ], dtype=float) def run(self): for _ in range(self.max_iter): fits = np.array([ fitness_individual(ind, self.signal) for ind in self.pop ]) best_index = np.argmin(fits) # 阶段一：互利共生 for i in range(self.pop_size): j = np.random.choice( [x for x in range(self.pop_size) if x != i] ) mutual_vector = (self.pop[i] + self.pop[j]) / 2 r1, r2 = np.random.rand(), np.random.rand() self.pop[i] += r1 * (mutual_vector - r2 * mutual_vector) self.pop[j] += r2 * (mutual_vector - r1 * mutual_vector) # 阶段二：共栖 for i in range(self.pop_size): j = np.random.choice( [x for x in range(self.pop_size) if x != i] ) r3 = np.random.rand() self.pop[i] += r3 * (self.pop[best_index] - self.pop[j]) # 阶段三：寄生，ISOS 改进点通常在这里 parasite_host = np.random.randint(0, self.pop_size) parasite_vector = self.pop[parasite_host].copy() parasite_vector += np.random.uniform(-0.1, 0.1, 2) if fitness_individual(parasite_vector, self.signal) < fits[parasite_host]: self.pop[parasite_host] = parasite_vector # 边界修正 self.pop[:, 0] = np.clip(self.pop[:, 0], self.bounds[0][0], self.bounds[0][1]) self.pop[:, 1] = np.clip(self.pop[:, 1], self.bounds[1][0], self.bounds[1][1]) best_index = np.argmin([ fitness_individual(ind, self.signal) for ind in self.pop ]) K_best = int(round(self.pop[best_index][0])) alpha_best = self.pop[best_index][1] return K_best, alpha_best这份代码把生物启发算法简化成三段交互，第一阶段的r1 * mutual_vector是让个体向种群公共信息靠近，第二阶段是用最优个体引导其他个体移动，第三阶段是随机扰动。寄生虫阶段每次只改一个宿主，所以运行速度较快。使用时要根据你的alpha取值范围调整幅度，如果alpha最大值是5000，那么±0.1的扰动幅度会显得过小，可以改成±200。
3.4 VMD 结果和 ISOS 结果怎么验证
ISOS每轮都会调用VMD，VMD本身是一次迭代求解，所以整体计算量并不小。为了验证优化结果，可以拿ISOS给出的K和alpha再做一次VMD，然后检查两点：第一，模态重构误差是否足够小；第二，omega的最后一步是否收敛到稳定的中心频率。如果相邻两个模态的中心频率相差过近，说明K偏大，下次搜索时应该把K的上界调低。
另一个可视化技巧是画出模态的频谱。把每个VMD模态做FFT后叠加在同一张图里，如果相邻模态频谱有显著重叠，说明该组参数并不理想。这时候优先调大alpha而不是调小K，因为带宽约束变严后，重叠压力会降低。
4. 用 GRU 和 ARIMA 完成预测与重组
4.1 数据准备：滑窗与归一化
得到子序列后，先决定哪些子序列进入GRU，哪些进入ARIMA。高频成分通常需要做滑动窗口处理，用过去一定步长预测下一点。这一步要注意归一化方式：只能在训练集上做归一化，然后把参数应用在测试集上，否则会把未来的统计量泄漏进模型。
from sklearn.preprocessing import MinMaxScaler def make_window_data(series, time_step=12): X, y = [], [] for i in range(len(series) - time_step): X.append(series[i:i + time_step]) y.append(series[i + time_step]) return np.array(X), np.array(y) scaler = MinMaxScaler() train_scaled = scaler.fit_transform(train.reshape(-1, 1)).flatten() test_scaled = scaler.transform(test.reshape(-1, 1)).flatten() X_train, y_train = make_window_data(train_scaled, time_step=12) X_test, y_test = make_window_data(test_scaled, time_step=12)time_step是滑窗长度，它决定了GRU能看到多久的历史。选太小会丢失模式，选太大会引入噪声。从我的复现经验看，12到24是比较稳妥的初始区间。
4.2 Keras 中的 GRU 模型结构
GRU模型的结构不宜过于复杂。高频成分往往只是原序列的一部分，样本量有限，网络太深反而容易过拟合。两层GRU加一个输出层是多数项目的起步模板：
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import GRU, Dropout, Dense model = Sequential([ GRU(32, return_sequences=True, input_shape=(12, 1)), Dropout(0.2), GRU(16), Dropout(0.2), Dense(1) ]) model.compile(optimizer='adam', loss='mse') history = model.fit( X_train.reshape(-1, 12, 1), y_train, epochs=30, batch_size=16, validation_split=0.1, verbose=0 )input_shape=(12, 1)里的12对应time_step，1是特征数。第一层GRU设置return_sequences=True，是为了把完整的隐藏状态序列传给第二层。Dropout放在两层GRU之间，用于降低小样本过拟合。epochs和batch_size需要按序列长度调整，序列短就减小batch_size并放大epochs。
4.3 ARIMA 拟合低频与残差部分
低频成分和总残差送到ARIMA前，先做ADF平稳性检验。如果不平稳，做一阶差分后再拟合。这里容易犯的一个错误是差分后忘记反差分，导致最后预测曲线整体偏移。
from statsmodels.tsa.stattools import adfuller from statsmodels.tsa.arima.model import ARIMA def fit_arima(series, d_max=2): d = 0 diff_series = series.copy() while adfuller(diff_series)[1] > 0.05 and d < d_max: diff_series = np.diff(diff_series) d += 1 model = ARIMA(diff_series, order=(2, d, 2)).fit() return model, dadfuller返回元组，第二个元素是p值。order=(2, d, 2)并不是固定最优，实际项目中可以用pmdarima的auto_arima自动搜索。注意ARIMA的预测结果通常会返回置信区间，这里只取预测均值即可。
4.4 分量预测怎么叠加回最终结果
GRU和ARIMA各自完成后，所有分量需要相加得到最终的预测值。直接相加是最常见的操作，但前提是所有分量的长度已经对齐。如果在构造滑窗时截掉了前12个点，那么ARIMA的输出也要保持相同的时间偏移。
gru_pred = model.predict(X_test.reshape(-1, 12, 1)).flatten() arima_pred = arima_model.forecast(len(y_test)) # 反归一化 gru_pred_original = scaler.inverse_transform(gru_pred.reshape(-1, 1)).flatten() arima_pred_original = scaler.inverse_transform(arima_pred.reshape(-1, 1)).flatten() final_pred = gru_pred_original + arima_pred_original如果你在训练GRU前分别对每个子序列做了归一化，那么反归一化时也要使用对应子序列的scaler。这一点非常容易在代码迭代中搞混，建议把每个分量的scaler存成字典，方便后续回溯。若求稳，可以先用训练集的误差计算各分量的组合权重，再把这个权重应用到测试集。
5. CEEMDAN-ISOS-VMD 的参数边界与验证方法
5.1 三组关键参数的经验值
CEEMDAN部分需要关心的参数有两个：trials和noise_width。推荐trials=100，noise_width=0.05起步。如果你的数据信噪比很低，把noise_width提高到0.2，并适当增加trials到200，才能稳定分解结果。ISOS优化VMD时的K建议在3到10之间搜索，alpha在200到5000之间。GRU的time_step可以从12开始，如果预测目标是对未来24个点做预测，那么time_step至少要与预测步长同量级。
5.2 验证方法的两个关键点
第一，不要只用一步预测评估。实际预测往往会做滚动多步预测，也就是把前一步的预测值重新作为输入喂回模型。误差会随步数累积，这一步才是模型真实能力的写照。测试时至少用50个连续测试点做递归多步预测，计算累积RMSE。第二，分解算法的边界效应很容易被忽略。CEEMDAN和VMD在序列首尾都存在端点效应，预测时如果直接使用最后一段序列的分解结果，端点误差会直接引入预测。建议在训练集和测试集之间保留一段缓冲数据，让分解算法在边界处有更多有效样本。
5.3 复现时最容易被忽视的三件事
第一，ARIMA在预测低频成分前，必须检查低频成分是否平稳。如果不平稳，先差分，预测后反差分。第二，GRU随机性较大，需要在代码顶层设置随机种子，否则精度对比没有意义。第三，不要对整个序列一次性做归一化，而是先用训练集fit，再transform测试集，减少未来信息泄漏。
import random import numpy as np import tensorflow as tf random.seed(42) np.random.seed(42) tf.random.set_seed(42)5.4 怎么判断整套方案是否真的有效
最简单的做法是做一个消融对比：一组只用CEEMDAN加GRU，另一组完整跑CEEMDAN-ISOS-VMD-GRU-ARIMA。如果第二组在测试集上的RMSE下降不明显，不要立刻怀疑ISOS，先检查VMD分解出的模态是否真的比CEEMDAN结果更合理。画出模态频谱，确认没有模态混叠后再看预测误差。如果某条IMF被ARIMA拟合后残差仍然很大，这条IMF可能不适合进入ARIMA分支，需要把它调整到GRU分支或直接做重构权重修正。通过这种逐个分支验证的方式，才能让这个长标题名副其实地跑出可复现的效果。
本文还有配套的精品资源，点击获取
