往期精彩内容：
时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较
EMD变体分解效果最好算法——CEEMDAN（五）-CSDN博客
拒绝信息泄露！VMD滚动分解 + Informer-BiLSTM并行预测模型-CSDN博客
CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(Transformer - BiLSTM + ARIMA)-CSDN博客
基于麻雀优化算法SSA的CEEMDAN-BiLSTM-Attention的预测模型-CSDN博客
基于麻雀优化算法SSA的CEEMDAN-Transformer-BiGRU预测模型-CSDN博客
VMD + CEEMDAN 二次分解，BiLSTM-Attention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
VMD + CEEMDAN 二次分解，CNN-Transformer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
VMD + CEEMDAN 二次分解，Transformer-BiGRU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
VMD + CEEMDAN 二次分解——创新预测模型合集-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
回归预测模型 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客
模型简介：
注意：本模型继续加入 麻雀优化算法—创新预测模型 全家桶中，之前购买的同学请及时更新下载
● 数据集：风速数据集、电力变压器数据集！
● 环境框架：python 3.9 pytorch 1.8 及其以上版本均可运行
● 使用对象：论文需求、毕业设计需求者
● 代码保证：代码注释详细、即拿即可跑通。
包括基于麻雀优化算法、鲸鱼优化算法的多特征变量序列预测、单变量预测模型，结合创新预测模型，全网最低价，高性价比、高质量代码，大家可以了解一下：（所有全家桶模型会不断加入新的模型进行更新！后续会逐渐提高价格，越早购买性价比越高！！！）
前言
本文基于前期介绍的电力变压器（文末附数据集），介绍一种基于鲸鱼优化算法的WOA-CNN-BiLSTM多特征多步预测模型，以提高时间序列数据的预测性能。该方法的核心是使用鲸鱼优化算法对CNN-BiLSTM模型参数进行搜索优化，来实现精准预测。电力变压器数据集的详细介绍可以参考下文：
1 数据集制作可视化
1.1 导入数据
1.2 数据集制作
划分数据集，按照8：2划分训练集和测试集
2 鲸鱼优化算法
2.1 鲸鱼优化算法介绍
鲸鱼优化算法（Whale Optimization Algorithm, WOA）是一种启发式的优化算法，由Seyedali Mirjalili和Andrew Lewis在2016年提出，灵感来自座头鲸的捕食行为，特别是它们在捕食时的“气泡网”攻击策略。
鲸鱼优化算法的基本原理，鲸鱼优化算法模拟了座头鲸捕食时的三种主要行为：
（1）围绕猎物：
鲸鱼会围绕猎物进行螺旋形上升或下降运动。
（2）气泡网攻击方法：
鲸鱼通过在猎物周围形成气泡网来捕获猎物。这种行为通过螺旋形运动来模拟。
（3）随机搜索猎物：
鲸鱼会通过随机游动来搜索猎物。
2.2 基于Python的鲸鱼优化算法实现
2.3 鲸鱼优化算法-超参数寻优过程
鲸鱼优化算法是一种基于自然界座头鲸捕食行为的启发式优化算法。通过模拟鲸鱼的围绕猎物、气泡网攻击和随机搜索行为，该算法可以在搜索空间中有效地寻找最优解。我们通过鲸鱼优化算法来进行CNN-BiLSTM模型的超参数寻优。通过设置合适的鲸鱼数量和优化迭代次数，我们在给定的超参数范围内，搜索出最优的参数。
3 基于 WOA 的 CNN-BiLSTM 多步预测模型
3.1 定义CNN-BiLSTM预测模型
3.2 设置参数，训练模型
50个epoch，MSE 为0.0218，WOA-CNN-BiLSTM预测效果良好，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：
可以修改鲸鱼优化算法的鲸鱼数量和优化迭代次数；
调整CNN和BiLSTM层数和维度数的参数搜索范围，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）
3.3 模型评估
预测结果可视化
模型评估：
3.4 向外预测
4 代码、数据整理如下：
