基于EMD-SARIMA模型的铁路商品汽车运量预测

针对铁路商品汽车月度运量时间序列呈现非平稳、季节性波动等特征,结合经验模态分解（EMD）方法建立了一种新的SARIMA时间序列预测模型。首先利用EMD将时间序列分解成多个相互独立且相互平稳的分量。然后分别对各个分量建立相对应的SARIMA时间序列模型,去除噪声分量。最后进行数据重构,将重构后的数据再进行SARIMA建模,以实现铁路商品汽车月度运量预测。预测结果显示,建立的EMD-SARIMA模型有着很高的预测精度,能够学习获取时间序列铁路商品汽车月度运量的成长过程及发展趋势,挖掘其周期性变化规律,为解决铁路商品汽车物流高质量发展过程中面临的问题起到重要的参考作用。     

基于经验模态分解的空气质量指数组合预测方法及应用

空气质量发展趋势的预测对于空气污染问题的防治具有非常重要的意义。因此,本文提出了基于经验模态分解(EMD)的空气质量指数(AQI)的一种组合预测方法。我们首先运用经验模态分解(EMD)的方法对非平稳、非线性且呈剧烈波动的时间序列即AQI原始数据进行多尺度分解。其次,我们分别使用4种常用的单项预测方法:灰色预测(GM)、ARIMA、BP神经网络和支持向量回归(SVR),分别对于分解后的本征模态函数(IMF)序列和趋势序列进行预测,得到单项预测结果。为了提高预测的精度,我们选用平均相对误差(MRE)较小的前三种单项预测方法,并对它们的预测结果进行组合预测。最后,运用熵权法分别计算出IMF序列和趋势序列的组合预测值,并将所有预测值求和得到AQI的最终预测结果。为了评价模型的预测效果,我们选用四种常用误差评价指标,对各个模型的预测结果进行评价比较,而仿真实验的结果表明了本文提出的基于经验模态分解的空气质量指数组合预测方法具有较高的预测精度和良好的适用性。     

基于小波神经网络的非线性组合预测方法及其应用研究

文章提出了基于小波神经网络的非线性组合预测方法,给出了其具体组合预测原理及具体学习算法,并将其用于国际原油期货价格数据的预测。国际原油期货价格数据的预测结果表明:基于小波神经网络的组合预测方法得到了比单一预测方法都要好的预测结果,有较好的应用前景。