经验模式分解与支持向量回归的非线性非平稳时间序列预测法

本文主要探讨了一种创新的非线性非平稳时间序列预测建模方法，发表于2007年的《东北大学学报（自然科学版）》第28卷第3期。该研究由林树宽、杨玫、乔建忠和王国仁四位东北大学的学者合作完成，他们分别来自信息科学与工程学院，且论文在辽宁省自然科学基金资助项目（20042015）的支持下进行。 论文的核心思想是针对时间序列数据的非平稳特性，采用经验模式分解（Empirical Mode Decomposition, EMD）技术。EMD是一种将复杂非线性信号分解为一系列本征模态分量的方法，这些分量具有相对简单的周期性和趋势性，从而使得原本非平稳的时间序列转化为多个平稳序列。通过对每个本征模式分量进行处理，作者构建了基于支持向量回归（Support Vector Regression, SVR）的独立预测模型，这是一种强大的机器学习工具，特别适合小样本、非线性问题。 接下来，研究者运用支持向量回归对这些独立的平稳时间序列预测模型进行非线性组合，形成一个整体的非线性非平稳时间序列预测模型。这种方法的优势在于能够捕捉到时间序列中的复杂动态关系，提高预测精度。通过仿真实验和实际工程应用的验证，结果显示，与传统基于SVR的建模方法相比，这种方法在处理非线性、非平稳时间序列时展现出更高的预测性能，证明其有效性。 本文的关键词包括经验模式分解、支持向量回归、非线性非平稳时间序列、本征模式分量以及预测建模。这些关键词揭示了论文的研究焦点，即如何利用这些技术来提升时间序列预测的准确性和鲁棒性。整篇论文不仅提供了理论分析，还提供了实证研究结果，为非线性、非平稳时间序列预测领域的研究者提供了有价值的参考和实践指导。