Huang变换与ARIMA模型结合的时间序列预测技术

“基于Huang变换和ARIMA模型的时间序列预测方法”是一篇由马亮亮和田富鹏共同撰写的论文，该研究结合了Huang变换（也称为经验模态分解，EMD）与ARIMA（自回归整合滑动平均）模型来提高非平稳时间序列的预测精度。论文指出，这种方法在预测效果上优于传统的小波变换、ARIMA模型以及小波变换与ARIMA模型的组合。 文章首先介绍了Huang变换，这是一种用于分析非线性、非平稳时间序列数据的方法。通过Huang变换，复杂的时间序列可以被分解为一系列固有模态函数（IMFs）和一个残余函数（RF）。IMFs是数据中局部特征的表示，而RF则包含了剩下的长期趋势或周期性成分。这种分解方式使得时间序列的各个部分可以独立处理，从而更好地揭示其内在结构。 接下来，论文引入ARIMA模型，这是一种广泛应用的时间序列预测模型，尤其适用于处理平稳时间序列。ARIMA模型结合了自回归（AR）、差分（I）和滑动平均（MA）三个要素，可以捕捉到数据的短期和长期依赖关系。在Huang变换后，每个IMF和RF都可以作为一个独立的平稳时间序列，进而分别用ARIMA模型进行预测。 在实施过程中，论文首先对非平稳时间序列进行Huang变换，分解成IMFs和RF。然后，针对每一个IMF和RF，建立相应的ARIMA模型进行预测。最后，将所有IMF和RF的预测结果进行重构和叠加，得到整个原始时间序列的预测值。 实验结果表明，这种基于Huang变换和ARIMA模型的预测方法显著提升了预测精度，对比其他常见方法如小波变换和ARIMA模型的组合，其优势在于更有效地处理非线性和非平稳特性，提供了更准确的预测结果。 关键词涵盖了Huang变换的核心概念，包括EMD、ARIMA模型、时间序列预测和固有模态函数。此外，这篇论文还涉及到了数学模型和模型优化的研究方向，这是两位作者的主要研究领域。 这篇论文提供了一种创新的时间序列预测策略，对于处理复杂非平稳数据具有实际应用价值，特别是在需要高精度预测的领域，如经济、金融、环境科学等领域。