基于EMD-ARIMA组合模型的长江航运干散货运价指数预测

针对长江航运干散货运价指数(YBFI)样本点少、周期性不明显、非线性,以及非平稳特性,从分析数据内在波动性出发,提出一种基于经验模态分解(EMD)-差分整合移动平均自回归(ARIMA)组合模型.对比传统ARIMA模型、简单季节预测两种方法,EMD可对YBFI序列进行降噪分解,保留数据的内在特性;分解后的序列用ARIMA模型、三角函数拟合,效果良好.重组后分析误差,发现该组合预测模型与传统单一模型相比误差较小,预测精度更高.

基于Holt-ARIMA-Lagrange Multiplier的CWC信息熵时序研究

降水云系的发展过程及其特征分析,是云降水物理学中的一个重要问题.本文选取一次云发展过程中的700 hPa云水含量(Cloud Water Content, CWC)和大气垂直方向上气流速度(Omega, OMG)的1 h值,以信息熵来度量CWC空间分布的混沌程度,辅以OMG的时间变化来判断云的发展,并提出了一种基于多尺度分解、Holt模型、自回归滑动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)和Lagrange Multiplier的组合预测方法.结果表明:1)CWC熵具有非线性和非平稳性;2)在云的不同发展阶段,北方CWC熵序列的均值都小于南方,方差普遍大于南方;3)OMG区域均值与CWC熵的小波低频重构的极值点在时间上有很好的对应关系,相近的极值点在南方中占50%,在北方中占83.3%,表明CWC熵可以在一定程度上反映云系的发展;4)CWC熵序列往往具有多种时间尺度特征,故进行多尺度分解之后再组合建模的Holt-ARIMA-Lagrange Multiplier模型比单一预测方法、单层分解的预测模型更优,准确率提高3%以上.

基于HP-EMD和ARMA的短期风速预测

针对风速为非线性非平稳序列的特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)和自回归滑动平均模型(auto-regressive moving average model,ARMA)的预测方法。EMD在对风速序列进行分解时,可能存在模态混叠现象,会影响风速预测精度,为此,提出一种加入高频谐波来抑制模态混叠的方法。首先对风速序列加入高频谐波进行EMD分解,获得比原始序列较平稳的子序列,即固有模态函数(intrinsic mode function,IMF),然后利用ARMA模型对子序列进行建模预测分析,最后将子序列的预测结果相加得到风速的预测值。和EMD-ARMA及直接利用ARMA模型进行预测的结果相比,本文所提的方法预测精度更高。

基于EMD和ARMA模型的上证指数预测

针对上证指数具有非线性、非平稳性的特点,研究了一种基于经验模态分解(EMD)和自回归滑动平均模型(ARMA)的预测方法。首先利用EMD对上证指数数据进行平稳化处理,使上证指数数据更有规律性,改善上证指数数据的非线性、非平稳性特性,然后利用ARMA模型对分解后的数据建模预测。研究结果表明:和直接利用ARMA模型进行预测所得的结果相比,本文所提的方法预测精度更高。

几种统计预测方法对1998年南京降水的跨季节预测试验及分析

对1998年南京降水分别设计并开展了求和自回归滑动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型预测、经验模态分解(Empirical Mode Decomposition,EMD)预测和基于Hilbert变换(Hilbert Transformation,HT)的幅频分离预测等3种跨季节统计预测试验。结果表明:ARIMA模型预测结果存在明显的系统性误差且对夏季的降水突变现象预测困难;EMD分解预测的结果虽在降水演变趋势上有明显提高,但仍未能预测出夏季的强降水突变现象,究其原因可能是对高频分量预测效果不好所致;而基于Hilbert变换的幅频分离预测方法能够对各模态分量的瞬时频率和瞬时振幅实施隔离预测,消除两者的相互影响,显著改善高频模态的预测效果,使得最终预测结果最为理想,不仅具有最高的趋势相关性和最小的偏差,而且还较好地预测出了夏季两次强降水过程。不仅如此,在对2003年的降水预测验证中,基于Hilbert变换的幅频分离预测方法同样具有最好的预测效果,表明该方法预测效果较为稳定,为改进跨季节短期气候统计预测技术提供了一个新思路。