刘丹丹

(上海电力大学 电子与信息工程学院, 上海 200090)

时间序列就是将不同时间上的某个指标的不同数值按照时间顺序排列而成的数列,是一种现实生活中常见的数据形式。研究时间序列的发展趋势能够帮助人们合理规划生活需求,如研究某栋大楼的能耗发展趋势,可以为楼宇节能管理提供理论依据;研究金融数据时间序列的发展趋势,有助于人们把握宏观市场的运营规律。各行各业的运行数据几乎都可以被视为时间序列,因此建立准确有效的时间序列预测模型一直是相关领域的研究热点。

经典的时间序列预测模型以随机过程理论和数理统计学为理论基础,主要包括自回归滑动平均模型(Auto-Regressive Moving Average model,ARMA)和自回归积分滑动平均模型(Auto Regressive Integrated Moving Average model,ARIMA)。这两种经典的时间序列预测方法在很多领域取得了较好的预测效果[1-5]。然而,有一些文献指出,经典方法用于线性、平稳的时间序列时,预测精度较高,但不适用于非线性非平稳时间序列。因此,近年来,一些研究将机器学习算法应用于非线性非平稳时间序列预测领域,取得了更好的效果[6-8]。这些方法多利用神经网络算法、支持向量机(Support Vector Machine,SVM)算法等,建立有效的时间序列预测模型,其中又以SVM算法效果最为良好,在各个领域都得到了广泛的验证[9]。

在实际应用中,针对一些非线性非平稳时间序列来建立预测模型时,以SVM为代表的机器学习算法仍然难以满足人们对预测精度的要求[10]。因此,研究人员提出使用经验模态分解法(Empirical Mode Decomposition,EMD)对序列进行预处理,而后再使用机器学习算法,可以获得更高的预测精度[11-14]。……