论文研究-基于EEMD和进化KPCR的复杂时间序列自适应预测建模.pdf

论文研究-基于EEMD和进化KPCR的复杂时间序列自适应预测建模.pdf,  针对具有非线性、非平稳、多尺度特性的复杂时间序列， 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法， 按原始时间序列信号的构成特点将其分解到不同尺度， 然后对不同尺度序列采用 C-C方法重构相空间， 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时， 针对不同 尺度序列预测模型的优选问题， 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数， 最后将不同尺度预测结果集成， 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析， 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述， 自适应获取优 化的预测模型. 与现有方法相比， 具有较强的自适应建模能力和较高的预测精度.