基于时序分解和随机森林的时间序列多步预测算法

时间序列多步预测利用事物的历史时间序列数据,对其未来多个时间点的发展趋势进行预报,以便提前制定相应的生产控制策略。提出一种新的基于时序分解的多步预测算法,针对时序分解参数对预测结果影响显著的问题,提出采用遗传算法优化的自适应变分模态分解策略;针对模态各异的子序列,提出运用随机森林算法建立多个基学习器以充分挖掘各模态信息;针对一次分解策略仅适用于仿真研究而无法实际应用的问题,提出实时分解框架并将整个分解与预测过程嵌入该框架中。多个公开时间序列数据集的实验结果表明所提出的预测算法相较于对比算法具有更高的精度。