一种非线性时间序列预测模型及对原油价格的预测

针对具有非线性和不稳定性的时间序列,提出一种结合小波分解、滑动平均离散差分方程和马尔可夫方法的动态预测模型.利用小波多尺度分解将原时间序列分解到不同频率通道上,然后对分解出的低频近似小波系数利用滑动平均离散差分方程预测模型进行预测,并利用马尔可夫方法对时间序列的高频细节小波系数进行预测,最后将低频和高频的预测结果进行小波重构得到时间序列的实际预测值.原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油(周度)价格进行实证预测分析,分别预测WTI原油价格的整体变化趋势和周度实际原油价格.研究结果表明,此模型不但可以有效地预测时间序列的整体变化趋势,能从细节上对其进行有效的刻画,而且比其他基于小波的预测模型具有更高的预测精度.可以看出国际原油价格从整体上呈现周期性上涨趋势,并且不稳定的随机波动也会一直存在.     

基于多尺度分析的小麦价格预测研究

本文基于分解-重构-集成的思想,构建了一个多尺度组合预测模型,选取小麦作为粮食的代表,预测其价格走势。首先,运用集合经验模态分解方法(EEMD)分解价格序列,然后,用灰色关联分析方法对分量序列进行重构,重构为高频、中频、低频和趋势项四个部分,并从不规则因素、季节因素、重大事件和世界经济水平等方面对这四个部分波动特点进行解释,针对不同特点的分量选择不同的方法进行预测,最后对各预测结果用支持向量机集成,并与其他预测模型的预测结果进行比较。实证结果表明,本文构建的多尺度组合模型的预测效果优于灰色预测GM(1,1)、BP神经网络、SVM方法、ARIMA模型等单模型方法和ARIMA-SVM组合模型以及基于EMD和EEMD分解的其他多尺度组合模型。     

基于多尺度组合模型的铜价预测研究

铜价预测是国际大宗商品市场研究的一个重要领域。本文运用经验模态分解法（EMD）、人工神经网络（ANN）、支持向量机（SVM）和时间序列方法,基于分解-重构-集成的思想,构建了一个多尺度组合预测模型。在模型构建过程中,提出了运用游程判定法对分量序列进行重构的新思路。然后,运用此模型对LME铜价波动特点和走势进行分析：将铜价序列分解并重构成高频、低频和趋势三个部分,并从不规则因素、重大事件以及长期趋势三个角度解释了重构项的波动特征;实证分析表明,与灰色模型GM（1,1）、Elman神经网络方法等单模型,以及ARIMA-SVM组合模型相比,多尺度组合模型取得了最好的预测效果。     

基于EMD与DVG的非线性时间序列预测模型及其应用研究

针对具有非线性和不稳定性的时间序列,提出一种结合经验模态分解(EMD)、有向可见图(DVG)网络的动态预测模型。利用经验模态分解将原时间序列分解为多个固有模态函数(IMF),然后对分解后的高频和低频IMF利用快速傅里叶变换得到各自的周期;依据每个周期,从原时间序列的尾部截取长短不一的子序列,然后采用有向可见图算法转换为多个有向网络,利用随机游走在每个有向网络中寻找与时间序列最后一个节点相似的节点;最后,依据平行线法,预测时间序列的下一个数值。原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油每日价格进行实证分析。研究结果表明,此模型不但可以有效地预测时间序列的变化趋势,而且具有较高的预测精度。     

基于二次分解策略和模糊时间序列模型的航空客运需求预测研究

提高航空客运需求预测的准确性对于航空公司以及整个航空运输系统的发展都具有重要的现实意义。以往研究普遍采用单一分解策略去处理航空客运需求时序中存在的复杂特征,以此提升组合模型的预测性能。然而传统的分解策略存在着特征提取不完全、分解方法带有固有缺陷等问题,导致组合模型预测效果不能得到充分的提升。为此,本文提出一种基于二次分解策略和模糊时间序列模型的航空客运需求预测方法。该方法首先利用季节调整模型（X12-ARIMA）将原始时序分解成季节成分序列与季节调整后序列,继而利用改进的自适应噪声集成经验模态分解方法（ICEEMDAN）将季节调整后序列分解成一系列不同时间尺度的本征模态函数（IMF）和残差序列（Residue）。然后使用基于模糊C均值算法（FCM）划分论域区间的FTS模型对季节成分序列、各IMF分量以及残差序列分别进行预测。最后将各分量序列的预测结果进行集成,重构出航空客运需求的预测值。实证结果表明,本文所提出的二次分解策略表现显著优于传统的分解策略,并且本文所提出模型对于航空客运需求预测有着较高的准确性。     

短期电价预测的组合混沌方法

电力市场中,电价的变化呈现的是一种非线性的、动态开放的过程,传统的方法已很难提高其预测精度。为此,本文提出一种基于小波变换、计量经济学模型和径向基函数网络的组合混沌预测方法。首先利用小波变换将原电价序列分解、重构成概貌序列和细节序列;在此基础上,针对不同的子序列建立不同的模型,并进行预测;最后将所有子序列的预测结果求和,作为最终的预测值。对西班牙电力市场短期电价的预测表明,该方法具有很高的预测精度。     

灰色量子粒子群优化通用向量机的中国行业间碳排放转移网络预测研究

针对行业间碳排放转移量预测问题，以中国1997-2017年间9年度28个行业间碳排转移量数据为样本，本文提出了基于小样本随机振荡序列的灰色量子粒子群优化通用向量机混合预测模型ROGM-QPSO-GVM。该模型首先使用ROGM（1，1）模型得到各行业对其他行业碳排放转移量的预测序列和残差序列，然后提出了一种新的量子粒子群优化（QPSO）算法优化GVM模型网络参数，构建了QPSO-GVM模型对残差序列进行修正，再将两部分的预测值相加得到行业间碳排放转移量预测值，最后根据所有预测值构建出行业间碳排放转移网络。结果表明ROGM-QPSO-GVM模型与其他模型相比具有更好的预测效果，并利用该模型对2020年、2025年、2030年中国行业间碳排放转移网络进行了预测及变化趋势分析。     

贵金属期货价格预测方法及实证研究

本文融合了二次分解与极限学习机的优势,提出了VMD-Res.-EEMD-ELM贵金属期货价格预测模型,选择变分模态分解(VMD)作为主要的分解技术,生成模态分量序列(VMFi)和残差序列(Res.),采用集合经验模态分解(EEMD)对残差序列进行二次分解,并使用具有良好泛化能力的极限学习机(ELM)对各分量进行预测,最后叠加各模态分量和残差的预测值形成收益率的最终预测结果。所提出的模型不仅充分发挥了二次分解技术的优势,而且解决了传统变分模态分解组合预测模型未考虑残差影响因素的问题。实证研究表明,本文所提出的组合模型能够全面捕捉黄金、白银期货价格日收益率序列的特征,方向性预测准确率分别为83.33%和93.33%,误差指标MAE分别为0.15和0.11,经比较本文所提出的模型具有良好的预测性能。     

基于新型核与灰度序列的MGM(1,m,N)模型及其应用

雾霾是空气质量重要评判标准之一，对其进行准确预测能为相关政府部门及时做出正确决策提供理论支持，因此预测雾霾具有实际意义。本文针对区间灰数分布信息已知的序列，构建多个影响因素作用于多个系统行为变量的灰色MGM(1,m,N)模型。首先根据可能度函数计算得到区间灰数的新型核与灰度序列，然后对新型核与灰度序列分别建立MGM(1,m,N)模型以求得模拟值和预测值，最后通过还原得到区间灰数序列的上、下界。为进一步验证该模型的可行性，本文将该模型应用于雾霾相关数据并与基于传统核与灰度序列的MGM(1,m,N)模型进行比较，结果表明本文构建的新模型的模拟预测精度都较传统模型更好。     

FEPA-金融时间序列自适应组合预测模型

本文报告一种金融时间序列预测的信号分析、信息融合与智能计算组合模型，简称FEPA，由针对金融时间序列（FTS）信号分析的经验模态分解（EMD）、用于数据降维的主成分分析（PCA）和用于非线性建模的人工神经网络（ANN）三部分组成。该模型首先应用滑动窗口截取原始金融时间序列最近期数据集，应用EMD分解算法把数据集分解成不同尺度的本征模态函数（IMF），然后通过主成分分析将分解后的数据降维，提取最有信息量的特征；然后将这些特征输入到神经网络进行组合预测。本文提出的组合预测模型FEPA是基于分解-提优-合成的信息融合思想，有效提高了预测可靠性。其创新点在于：1）首次给出了EMD算法的结构化表达，提供了今后融合更多信息的算法接口；2）通过多步长预测输出深入研究EMD分解的有效信息结构；3）通过切换到更细时间框架来处理EMD的端点效应，并探索了两级时间框架下的预测效果；4）给出了金融时间序列组合预测模型的一般性架构，具有可升级性和可扩展性。并且通过滑动窗口EMD使得实证更能切近实际。通过在沪深300股指和澳大利亚股指上的实证，结果表明FEPA预测模型在沪深300股指日线和15分钟线上的预测命中率高达78%和82%，在澳大利亚股指日线上也达到了74%的命中率，经比较，明显高于文献中常见的5种模型。