AC算法的EMD分解GMDH组合的预测模型及应用

引入EMD把含有多个震荡模式的数据分解为满足一定条件的多个单一震荡模式分量的线性叠加,对震荡模式分量应用非参数的AC算法,通过历史上相似时期的已知延拓进行预测,利用GMDH客观确定权重构建组合预测模型,并运用该模型结合原油期货数据进行实证。结果表明:用EMD方法改进AC预测模型提高了预测的准确性,在此基础上,GMDH的智能化权重的组合预测模型进行预测,结果显示,AC算法的EMD分解GMDH智能化权重组合预测精度更高。     

基于EMD与神经网络的中国股票市场预测

应用EMD分解算法、混沌分析和神经网络理论提出了一种中国股票市场建模及预测的EMD神经网络模型.首先应用EMD分解算法把原始股市时间序列分解成不同尺度的基本模态分量,并在此基础上进一步分析, 表明中国股市存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力, 有效提高了预测精度. 实验表明:与现有方法相比, 该方法具有较高的精度.     

基于小波分解的月径流预测校正模型研究

根据小波分析理论,建立了月径流序列的小波分解预测校正模型。该模型通过小波分解方法将月径流非平稳时间序列分解为多个细节信号序列和一个逼近信号序列,然后运用平稳时间序列的ARMA模型对各信号序列分别进行预测,最后再对各序列预测结果的和进行校正。以长江的宜昌站和寸滩站的月径流资料为例,分别采用ARMA模型、季节性ARIMA模型、BP神经网络模型以及所建立的小波分解预测校正模型进行模拟预测,并讨论了小波分解尺度数对小波分解预测校正模型的影响。结果表明,所建立的小波分解预测校正模型较其它模型具有更高的预测精度,并且尺度数对月径流序列模拟预测的效果没有显著的影响。     

基于EMD-PSR-LSSVM的城市燃气管网短期负荷预测

城市燃气管网短期负荷预测对燃气调度系统的安全与稳定具有重要意义. 为了提高城市燃气管网短期负荷预测精度,建立了基于经验模态分解(EMD)-相空间重构(PSR)-最小二乘支持向量机(LSSVM)的组合预测模型. 首先,运用EMD算法把原始非线性时间序列分解为互不耦合的模态分量,并采用PSR算法确定LSSVM建模中各个分量的输入输出结构; 其次,运用PSO算法对LSSVM建模中的参数进行优化,使用训练好的LSSVM模型对各个IMF分量进行回归预测; 最后运用该组合模型对郑州市燃气管网负荷进行短期预测.结果表明:与LSSVM回归预测和BP神经网络预测模型相比,本文提出的组合模型的预测精度更高,是一种更为有效的城市燃气管网短期负荷预测方法.     

基于EMD的降雨径流神经网络预测模型

针对小波变换方法的不足,运用EMD方法对黄河兰州以上二级水资源分区45年（1956--2000年）的年降雨量序列进行多时间尺度分析,发现该区域年降雨量存在准3年、准4--8年、准11年波动周期,并探讨了各IMF分量的物理背景及其趋势变化;然后以年降雨量的EMD分量为输入,以相应的年径流量为输出,建立了基于EMD的年降雨径流BP神经网络预测模型. 研究结果表明：EMD作为一种全新的信号处理方法,可以对水文时序进行精确的多时间尺度分析,进而掌握其局部变化规律,为人工神经网络提供高质量、多层次的输入变量,显著提高模型质量.     

采煤工作面瓦斯涌出量的固有模态SVM建模预测

首先提出了一个依据EMD (empirical mode decomposition)方法提取固有模态分量进行SVM建模实现采煤工作面瓦斯涌出量预测的技术方法. 利用瓦斯涌出量的历史记录数据, 通过EMD分解得出其固有模态函数, 即IMF分量, 然后, 对应于每个固有模态分别利用SVM函数拟合方法进行外推预测, 再把不同固有模态的预测结果进行叠加重构合成, 获得瓦斯涌出量的理论预测结果. 从监测结果的实例分析发现, 与常规SVM方法相比, EMD方法的引入能够大幅度提高理论模型的预测精度, 并给出监测数据极为吻合的预测结果. 实际应用表明, 在采煤工作面瓦斯涌出量预测建模中, 固有模态的提取和SVM方法的实施都充分利用了样本数据本身驱动的自适应性质, 从而为保障优异的预测效果提供了良好的理论基础.     

基于VMD的中国出口集装箱运价指数分析与组合预测

基于分解-重构-分项预测-集成思想,通过优选分解方法、优化重构方法、优选预测方法及合理选择集成方法等途径,构建了基于变分模态分解(VMD)的组合预测模型,对中国出口集装箱运价指数(CCFI)进行了预测,分析了CCFI波动特性及经济内涵.首先,选用VMD将运价指数序列分解为多个模态分量;其次,采用C值优化的FCM算法将模态分量重构为高、中、低频和趋势项,通过波动特性分析挖掘了重构项蕴含的短期市场不均衡因素、季节因素、重大事件及市场供需等经济内涵;再次,构建了基于数据特征分析的预测模型优选方法,进行了重构项预测;最后,将重构项预测值相加集成,分析了预测效果.实证结果表明,构建的组合模型预测效果优于BPNN、SVM、ARIMA等单一模型、EMD组合模型及未优化的VMD组合模型,较好地体现了CCFI外在波动特征与内在经济意义.     

载重量影响的电力推进船舶电力负荷混沌预测

为提高电力推进船舶电力负荷预测精度,通过小波变换将电力推进船舶电力负荷分解为固有负荷分量和载重量影响负荷分量,在此基础上用混沌局域关联模型预测固有负荷分量;用线性回归模型预测载重量影响负荷分量.建立固有负荷分量预测模型时以自相似轨道搜寻为基础,且将关联度作用于固有负荷分量混沌预测模型.实例计算结果表明该方法能有效提高预测精度.     

基于EMD与STSA混合方法的金融收益信息提取与预测

针对STSA方法在金融时间序列分析中的缺陷提出了运用EMD与STSA结合的改进方法。以上证指数、深证成指、建筑指数、金融指数、地产指数、上证商业6种指数的收益数据作为研究样本,利用EMD方法分解提取出一系列反映原始序列不同时间尺度信息的分量,通过对各分量进行STSA分析后发现导致原始序列多变化模式的原因。在此基础上提出了通过单一变化模式分量对原始序列变化趋势进行估计的条件和限定范围,实验结果表明,该方法在提取和分析时间序列变化模式方面具有独特的优势,具有较高的预测精度和实用性。     

数据特征驱动的火电产能过剩分解集成预测模型

有机融合数据特征驱动与多模态信息集成建模思想,构建了中国火电行业产能过剩组合预测方法和模型.首先识别火电产能过剩规模时序数据的本质和模式特征,发现其不仅具有非平稳,非线性特征,还呈现高复杂性和突变性;其次采用与数据特征相配的变分模态分解方法将时序数据分解,得到多个分量;然后识别各分量的数据特征,据此选择三次指数平滑-最小二乘支持向量机模型进行预测;最后集成各分量预测结果,得到火电产能过剩规模的最终预测结果.实证检验表明,所构建模型的预测水平精度,方向精度和稳定性均优于目前广泛使用的单一模型和其他组合预测模型.预测结果显示,2020-2022年中国火电产能过剩规模仍处于较高水平,呈先降后升趋势,且体制扭曲仍将是火电产能过剩的决定性因素.     

基于BEMD-Copula-GARCH模型的股票投资组合VaR风险度量研究

鉴于股票波动具有显著的多尺度特征,本文引入二元经验模态分解(EMD)与二元CopulaGARCH算法,提出一种新的VaR风险度量模型,即BEMD-Copula-GARCH模型.具体地,新BEMD-Copula-GARCH模型可分为三个主要步骤:数据分析,分风险估计和总风险集成.首先,基于二元EMD模型,将复杂且相互作用的股票对分解为若干组较为简单且相互独立的分量,以降低建模难度.其次,引入二元Copula-GARCH模型,刻画各组分量间的相互关系,以度量股票投资组合在不同尺度上的分VaR值.最后,集成各分VaR值以得出最终VaR风险度量结果.实证研究以恒生指数与上证综指为数据样本构造投资组合,结果表明:本文所构建的新模型能有效度量投资组合风险,其估计精度显著优于DCC-GARCH和Copula-GARCH等现有模型.     

基于EMD技术的非平稳非线性时间序列预测

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)技术的时间序列组合预测模型。首先对非平稳非线性时间序列进行EMD技术分解,然后将分解得到的子序列进行聚类,并运用传统的时间序列预测方法对各子序列分别进行预测,最后汇总子序列的预测值得到目标时间序列的预测值。统计模拟和实证分析显示:组合预测模型能够显著提高预测的精度,说明新方法对于非平稳非线性时间序列的预测是有效的。     

基于奇异谱分析的我国航空客运量集成预测模型

针对时间序列包含噪声以及单一模型可能存在预测表现不稳定的问题,本文提出了一个基于奇异谱分析(SSA)的集成预测模型,并将其运用于我国年度航空客运量的预测中.首先,采用SSA方法对原始时间序列进行分解和重构,得到一个剔除噪声的时间序列,然后将其作为单整自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、Holt-Winters方法(HW)等单一模型的输入并进行预测,接着再采用加权平均集成预测方法(WA)将三种单一模型的预测结果进行综合集成.通过与各单一模型、基于经验模态分解方法(EMD)的模型以及简单平均集成预测方法(SA)的预测结果进行对比发现,本文所建模型具有较高的预测精度和较稳定的预测表现.最后,采用本文的模型对我国2014-2016年年度航空客运量进行了预测.     

宽度-深度融合时频分析的径流智能预测方法

为解决现有基于LSTM的径流预测模型易陷入局部最优的问题,提出了基于VMD-LSTMBLS(variational mode decomposition-LSTM-broad learning system)的径流预测模型。将宽度学习系统与LSTM结合,针对径流序列多噪音特点,采用时频分析方法中的变分模态分解,将径流时间序列的一维时域信号变换到二维时频平面,减少噪声对预测结果的影响。仿真结果表明：与基线模型及现有基于LSTM的径流预测模型相比,该模型的预测精度有较为明显的提高。     

基于经验模态分解的航空公司旅客流量分析

航空公司的旅客流量受宏观经济、季节性、竞争等诸多因素的影响,具有显著的非线性和非平稳性。不同于以往研究,本文提出应用经验模态分解(简称EMD)方法对航空公司的旅客流量进行分析。文中航空公司的旅客流量序列被分解为受宏观经济驱动的趋势项、受季节性因素影响的低频部分和受竞争等不确定性因素影响的高频部分。研究表明,EMD方法能有效地分解旅客流量序列,而且相比传统的线性预测模型,经过EMD分解的预测方法能得到更高的预测精度。     

一种基于EMD的模拟电路故障特征提取方法

为克服小波分析中混频现象对模拟电路故障特征提取造成的不准确,提出了一种基于经验模式分解的模拟电路故障特征提取方法。该方法通过对模拟电路输出信号进行EMD得到若干个内禀模态函数,以各IMF的能量作为故障判别的特征。并针对EMD中的端点效应问题,提出了基于遗传优化的最小二乘支持向量机预测方法。仿真实验结果证明了该方法的有效性。     

基于EEMD-BP组合模型的区域海平面变化多尺度预测

海平面变化具有非线性、非平稳性以及多时间尺度变化特性,传统的基于时间序列的统计预测模型对于这种变化的预测存在较大局限性,预测结果不够理想.结合集合经验模式分解(ensemble empirical mode decomposition,EEMD)与BP (back propagation)神经网络,本文提出一种改进的海平面变化多尺度预测方法——EEMD-BP组合模型.首先利用EEMD分解提取海平面变化序列中具有物理含义的信号并降低噪声影响,得到不同尺度的多个固有模式函数(intrinsic mode functions,IMFs),确定出海平面变化中隐含的周期及趋势;然后利用BP神经网络分别对不同尺度IMF分量建立预测模型分析其未来变化趋势,最后将各IMF分量的预测结果重构,得到海平面变化序列的最终预测值.结果显示:EEMD分解能有效提取海平面变化中隐含的多时间尺度信号,神经网络能较好地预测不同尺度海平面变化趋势.相对于直接利用BP神经网络进行预测(R=0.74,RMSE=37.51 mm,MAE=48.02 mm),EEMD-BP组合模型预测精度显著提高(R=0.88,RMSE=29.23 mm,MAE=37.50 mm).EEMD-BP组合模型首先对海平面变化序列进行平稳化、降噪等处理,再对分解后的不同尺度时间序列分别进行预测,能够有效提高预测精度,为区域海平面变化预测研究提供了一种新方法.     

基于平均包络线匹配算法的EMD端点效应分析及在股价趋势分解中的应用

经验模式分解(EMD)能够有效获得非平稳非线性信号的时频特征,但传统的EMD分解算法存在严重的端点效应. 在深入研究和分析EMD算法的基础上,提出了一种基于波形匹配的端点效应处理方案,通过计算波形匹配度, 在平均包络线内部寻找与其端部变化趋势最为接近的子波,并用这段子波代替平均包络线的边缘部分, 使处理后的平均包络线极大地接近真实包络线,并把这种端点效应处理方案的EMD分解算法应用到实际的股票市场价格趋势分解中.实验结果表明,与经典的EMD边界延拓算法相比,本文提出的算法能更有效地抑制EMD分解时的边界效应, 分解得到的固有模式函数更能体现模拟信号真实的频率、幅值信息.应用实验表明:与现有方法相比,该方法更能提高预测精度.     

基于EWT-SSA-PSO-ELM模型的P2P网贷市场收益率预测

鉴于目前鲜有研究关注P2P网贷市场收益率预测问题,针对已有金融市场收益率预测研究存在的不足,提出了一种基于两阶段分解技术和粒子群优化极限学习机的EWT-SSA-PSO-ELM预测模型.引入EWT经验小波分解算法对原始的收益率综指序列进行分解,进而提高原始序列的分解效率;采用Lempel-Ziv复杂度算法提升模式分量重构的科学性,避免以往分量重构过程的随意性;利用SSA奇异谱分解算法对高频重构分量进行降噪,从而提升高频重构分量预测效果.基于该预测模型对P2P网贷市场收益率综指进行预测,实证结果表明,所构建的收益率预测模型的性能显著优于其余基准对比模型.     

基于EMD与关联维数的故障诊断AR模型

提出了一种基于EMD和关联维数的转子系统故障诊断方法。该方法用EMD将转子系统振动信号分解成若干个基本模式分量IMF,对包含主要故障信息的IMF分量建立AR模型,AR模型自回归参数的关联维数作为特征量神经网络识别转子系统的工作状态和故障类型。对实验数据分析的结果表明,该方法能有效地应用于转子系统的故障诊断。