EMD-LSTM模型：融合频率信息的时间序列建模新突破

本文探讨了一种名为"EMD-LSTM模型"的时间序列分析方法，由作者方晓晨和雷钦礼提出，针对暨南大学经济学院，位于广州市。LSTM模型在时间序列建模中表现出色，尤其在捕捉长期依赖关系方面。然而，它的一个主要局限性在于无法清晰地解析时间序列数据中不同频域的模式变化，这对于理解和预测具有不同时间周期的行为至关重要。 EMD-LSTM模型的创新之处在于结合了经验模态分解（Empirical Mode Decomposition, EMD）和长短时记忆网络（Long Short-Term Memory, LSTM）。通过EMD技术，模型能够将时间序列数据分解为各个频域上的特征模式，这些模式反映了不同频率成分在建模过程中的不同影响。这样，模型能够在时域与频域的联合分析中捕获特征模式之间的依赖关系，从而提高对时间序列数据的深度理解与分析能力。 在实验对比中，EMD-LSTM模型显示出卓越的性能，有时甚至能与传统的LSTM模型相媲美，特别是在那些需要考虑频率特性的时间序列预测任务中。研究结果强调了频域信息在时间序列分析中的重要性，并表明EMD-LSTM模型作为一种新颖且有效的工具，有助于提升时间序列建模的精度和效率。 本文贡献了一个创新的时间序列模型，它通过集成EMD和LSTM的优势，有效地处理了时序数据中不同频域的复杂模式，对于那些依赖于多尺度时间周期预测的应用场景具有显著的实际价值。这项工作不仅扩展了LSTM的适用范围，也为未来的研究者提供了新的思路和技术路线。