石油,作為一種主要的能源,對世界政治、經(jīng)濟、外交、軍事格局有著深遠影響。準確快速的原油價格預測有助于優(yōu)化相應的生產(chǎn)、銷售和投資等計劃,避免潛在風險,提高石油相關部門的利潤。原油價格的驅動因素不僅包括市場供需平衡狀況,而且包括各種外部因素,如與其他資源的替代性、天氣、庫存水平、經(jīng)濟增長、政治變化、心理預期和極端事件。由于這些因素相互作用,原油價格預測成了一項艱巨的任務。在此背景下,本文重點從準確性和計算時間效率的角度出發(fā),構建原油價格快速預測模型,對現(xiàn)有的油價預測模型進行改進和創(chuàng)新。具體研究內容如下:首先,通過混合集成經(jīng)驗模態(tài)分解EEMD（Ensemble Empirical Mode Decomposition）和 RVFL 網(wǎng)絡（Random Vector Functional Link network）構建了一個新的分解集成油價預測模型。通過與其他油價預測模型和現(xiàn)有分解集成模型對比,發(fā)現(xiàn)RVFL網(wǎng)絡的引入從預測精度和計算時間效率上提高了分解集成模型的性能。然后,將 RVFL 網(wǎng)絡、極限學習機 ELM（Extreme Learning Machine）和RKS（Random Kitc... 

【文章來源】：北京化工大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【部分圖文】：

圖１－１技術路線圖??Ｆｉｇ．１－１?Ｔｈｅ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｅｃｈｎｉｑｕｅ??

方案?平均絕對百分比誤差（ＭＡＰＥ）?（Ｃｏｍｐｕｔａｔｉｏｎａｌ?Ｔｕｎｅ）?抓斷ｄｔ）??圖１－１技術路線圖??Ｆｉｇ．１－１?Ｔｈｅ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｅｃｈｎｉｑｕｅ??１．４論文章節(jié)安排??通過以上分析，本文將從６個章節(jié)出發(fā)，構建

?北京化工大學碩士學位論文???３．２．３基于ＲＶＦＬ網(wǎng)絡的分解集成模型構建??鑒于在分解步驟中分解出大量分量，都需要在預測步驟中進行建模，使用有效且??快速的無迭代算法，如ＲＶＦＬ網(wǎng)絡作為單獨的預測工具，可以降低現(xiàn)有分解集成模型??的運算時間，并提高預測精度。相應地，基于ＲＶＦＬ網(wǎng)絡的無迭代分解集成預測模型??構建過程如圖３－１所示：?????

【參考文獻】：
期刊論文
[1]基于改進型小波神經(jīng)網(wǎng)絡的油價預測[J]. 范麗偉,代杰,尹俊超.  統(tǒng)計與決策. 2017(12)
[2]基于VARM和VECM的Brent油價定量分析與預測[J]. 張海玲,侯暉,孫翊.  數(shù)學的實踐與認識. 2017(12)
[3]基于多重“分解—集成”策略的物流貨運量預測[J]. 周程,李松.  交通運輸系統(tǒng)工程與信息. 2015(01)
[4]基于多因素SVM的油價預測模型研究[J]. 李建立,萬勇韜,張志剛.  數(shù)學的實踐與認識. 2014(06)
[5]基于混合模型的原油價格混沌預測方法[J]. 張金良,譚忠富.  運籌與管理. 2013(05)
[6]基于ARIMA與GARCH模型的國際油價預測比較分析[J]. 胡愛梅,王書平.  經(jīng)濟研究導刊. 2012(26)
[7]基于PCA的ARFIMA-GARCH油價預測模型[J]. 林盛,王文超.  價值工程. 2011(27)
[8]ARIMA與SVM組合模型的石油價格預測[J]. 吳虹,尹華.  計算機仿真. 2010(05)
[9]電力市場下系統(tǒng)邊際價格混合預測模型的新研究[J]. 鄭華,謝莉,張粒子,申景娜.  中國電機工程學報. 2005(17)



本文編號：3519876