一种改进的CEEMDAN-LSTM-Neural Prophet Net模型:用于COVID-19背景下我国月度消费预测

针对社会消费品零售总额(total retail sales of consumer goods,TRSCG)月度预测中存在突变点情况下的样本外预测精度低等问题,本文构建了CEEMDAN-LSTM-Neural Prophet Net组合模型,开展了不同情景下的月度TRSCG样本外预测,并比较了该模型与Neural Prophet、BP Network等7种常用模型的预测精度.结果表明:深度学习模型表现出对非线性一般数据的良好适应能力,其对数据的分类识别及组合预测效果俱佳;CEEMDAN-LSTM-Neural Prophet Net组合模型在有突变点的样本外预测中表现更佳,且该预测模型在不同国家的TRSCG.不同的预测指标及学习比例上均具有一定的稳健性.本文为存在突变点的时间序列分析和样本外预测提供了新思路.