案例背景 多变量的时间序列的异常值监测一直是方兴未艾的话题，我总能看到不少的同学要做什么时间序列预测，然后做异常值监测，但是很多同学都搞不清楚他们的区别。 这里要简单解释一下，时间序列预测是有监督的模型，而异常值监测在没有明确给出是不是异常值这个标签y的时候，通常都是无监督模型。通过数据的自身的规律来判断哪些是不是异常点。 本次用一组电力用电量的数据，某个用户的用电量的数据进行异常值监测的代

有意向获取代码，请转文末观看代码获取方式~也可转原文链接获取~ 1 基本定义 SVMD-LSTM神经网络时序预测算法是一种结合了单变量经验模态分解（Singular Value Decomposition，SVD）和长短期记忆神经网络（LSTM）的时间序列预测方法。 SVD是一种矩阵分解方法，可以将一个矩阵分解为三个部分：左奇异向量矩阵、奇异值矩阵和右奇异向量矩阵。在时间序列分析中，

代码原理 逐次变分模态分解（Sequential Variational Mode Decomposition，SVMD）是一种用于信号处理和数据分析的方法。它可以将复杂的信号分解为一系列模态函数，每个模态函数代表了信号中的一个特定频率成分。SVMD的主要目标是提取信号中的不同频率成分，并将其重构为原始信号。 SVMD的基本原理是通过变分模态分解的方式将信号分解为多个模态函数。在每个迭代步骤中