基于 STL+VMD 二次分解的 Informer-LSTM 并行预测模型详解与案例

一、背景与动机

在时间序列预测中，如电力负荷、风速、交通流量等复杂数据常表现为：

• 非线性：趋势+季节+突变+噪声

• 多尺度：高频扰动与低频变化共存

• 长时依赖：远期信息也影响当前预测

传统模型（如 ARIMA、LSTM）往往无法兼顾全局趋势建模与局部扰动感知，因此我们提出一种 “二次分解 + 并行建模”的复合框架：

STL + VMD + Informer & LSTM 并行建模，整合两者优势。

二、模型架构概览

整套框架分为五步：

三、STL+VMD 二次分解模块详解

1. STL（Seasonal-Trend decomposition using Loess）

**作用：**将序列分解为：

• T(t)：趋势部分（长周期平稳变化）

• S(t)：季节项（周期性波动）