时间序列预测相关研究述评

何林芸

(西南交通大学希望学院会计系 成都 610000)

摘要：时间序列预测是对已有的时间序列数据进行分析，挖掘时间序列数据中蕴藏的信息，并对未来进行预测。时间序列预测具有极其重要的理论意义与现实意义，学者们为此做了大量的研究工作并取得了很好的成果。本文主要对时间序列预测的相关方法进行整理归纳，对时间序列预测相关研究进行述评。

关键词：时间序列，机器学习，研究述评

1引言

时间序列预测一直以来都是研究热点，它通过各种方法挖掘历史数据的信息并预测未来的发展趋势。时间序列预测一直以来在许多领域都有着广泛的应用，例如经济、金融、能源与气象等领域。通过时间序列预测，我们可以更好地理解数据背后的规律和趋势，并做出更加科学和准确的决策。通过文献梳理，相关的预测模型大致可分为四种主要类型：传统统计模型、机器学习模型、组合模型和分解集成模型。

2国内外时间序列预测研究综述

2.1传统统计模型

上世纪八十年代，国内外学者就立足于计量经济学、统计学等理论基础，发展了多种时间序列预测的单一模型，并广泛应用于实践中。王素雅[1]提取分频段苹果价格时序数据建立了分时段预测模型，采用三种ARIMA、VAR和GARCH对比模型对其进行了预测，结果表明GARCH模型在苹果日度价格数据中预测效果最好，ARIMA模型在周度、月度价格的预测精确度最高。滕永平等[2]介绍了ARMA模型在期货价格预测中的作用，并通过对具体的大豆期货价格进行预测，认为ARMA模型在期货价格短期预测方面有一定的准确性。Yan Ge等[3]分别建立了以时间为自变量的一元非线性回归模型和以生产消费、进出口量为自变量的多元线性回归模型来预测玉米价格，实证结果表明提出模型能够在一定程度上预测玉米价格，但精度较低，只能应用于粗略预测。

2.2机器学习模型

机器学习的预测模型主要基于两种，一种是单一神经网络方法，BP神经网络、极限学习机、支持向量机、长短期记忆神经网络等；一种是通过智能优化算法对神经网络的参数进行优化，提高神经网络模型的预测精度。张建华等[4]将辣椒价格作为研究对象，构建了辣椒价格的小波神经网络时间序列预测模型，结果表明小波神经网络在辣椒价格预测上效果很好，能在短期内准确预测辣椒价格走势。李雪等[5]应用速度因子和惯性权重改进的粒子群算法中的常用参数来优化BP神经网络的办法建立粮食价格数据预测模型进行产量仿真训练，获得关于农物产量的预测数据，提高了BP神经网络的预测性能。段青玲等[6]采用遗算法优化的支持向量回归参数，构建GA-SVR模型预测水产品价格，获得了较准的水产品预测精度，在水产品数据预测上提供一个新思路，为从事水产养殖及经营者提供决策依据。张荣臻等[7]在农产品价格预测上首次运用Dropout神经网络模型，并取得可观的预测效果，实验验证了在同等网络体系结构的农产品价格预测中，采取Dropout神经网络预测模型的预测性能比一般神经网络模型的预测性能要高。刘斌等[8]提出分布式神经网络模型能够揭示苹果市场价格的发展趋势和波动规律，在苹果价格数据上具有很高的预测精度。

2.3组合模型

组合预测模型作为时间序列预测的第三类方法，是集成两个过两个以上的方法，集合多种模型的优点提高模型的预测精度，具体是多种传统时间序列预测模型的结果进行集成、多种机器学习的预测结果进行集成和传统时间序列预测与机器学习预测结果进行集成，集成的方法可以选择简单平均、加权平均或是用神经网络进行集成。Babazadeh等[9]提出了一种基于ANN和ARIMA方法的汽油消耗预测组合模型，实证显示组合ARIMA-ANN方法具有更好的预测能力。Safari和Davalou[10]将ES、ARIMA和NAR应用于状态空间模型框架，每个模型的时变权重由卡尔曼滤波器确定；实验结果表明他们提出的模型优于相应的基准模型。Wang等[11]使用奇异谱分解（SSA）、经验模式分解（EMD）和变分模式分解（VMD），来过滤原始价格序列中的外部噪声，然后使用自回归集成移动平均回归（ARIMA）、支持向量回归（SVR）、递归神经网络（RNN）、选通递归神经网络（GRU）和长短期记忆神经网络（LSTM）五种流行的预测模型预测去噪序列，生成了不同的预测子模型，再将预测子模型组合得到最终预测效果，实证表明去噪和预测组合的结合得到了更高精度的预测。因此，这些现有的研究表明，组合模型可以有效地提高预测精度。

2.4分解集成模型

分解集成模型作为时间序列预测的第四类方法，具体而言就是将数据进行分解，得到若干个子序列，逐一分析和建模，然后进行集成，得到最终结果。这种分解集成的思想可以简化复杂的问题，降低建模难度，提高预测精度。王珏等[12]选取玉米，原油，黄金期货价格，提出了SSA-ELM模型，将价格数据利用奇异谱分析方法重构，再采用极限学习机算法来预测大宗商品价格，实验结果表明，先重构再预测的方法在预测未来价格的变动方向和整体水平上都能达到很好的预测精度。Niu Xinsong等

[13]建立了一个基于误差修正策略、分治策略的组合预测系统来预测碳价格序列；采用VMD算法对原始数据进行分解并利用样本熵（SE）来重构模式子序列，然后对每个模式序列进行预测再加总并得到误差序列，接着对误差序列进行预测，最后将误差序列预测值与各模式序列的预测值进行加总得到最终预测结果；实证表明提出方法优于考虑的其他基准方法。

3结论

本文对现有的时序预测方法进行梳理归纳，将时序预测方法分为四类：传统统计模型、机器学习模型，组合模型和分解集成模型。其中，传统统计模型理论成熟，主要是对规律性较强的数据有较高的预测精度，但大多时间序列具有高波动、非线性和非平稳的特征，而传统统计模型不能很好的处理这类问题。相比之下，机器学习模型较为灵活，对研究样本没有过多假设。组合模型通过有序组合多种方法，能充分发挥各种方法的优势并弥补其他方法的不足，具有独特的优势。分解集成模型则通过将复杂序列分解为易于分析与预测的子序列，降低建模难度，提高模型的分析与预测性能。

参考文献

[1]王素雅.苹果短期价格影响因素分析[J].中国食物与营养,2009(05):40-43.

[2]滕永平,周婷婷.大豆期货价格预测实证研究[J].沈阳工业大学学报(社会科学版),2017,10(04):331-334.

[3]Yan Ge,Haixia Wu. Prediction of corn price fluctuation based on multiple linear regression analysis model under big data[J].Neural Computing and Applications,2019,32(22).

[4]张建华,孔繁涛,吴建寨,王盛威,朱孟帅,赵璞.基于小波神经网络的辣椒价格时间序列预测模型[J].中国食物与营养,2014,20(12):40-42.

[5]李雪,顾沈明,年浩.改进粒子群算法优化BP神经网络的粮食产量预测[J].闽南师范大学学报(自然科学版)，2014,27(01):56-61.

[6]段青玲,张磊,魏芳芳,肖晓琰,王亮.基于时间序列GA-SVR的水产品价格预测模型及验证[J].农业工程学报,2017,33(01):308-314.

[7]张荣臻,胡坚.基于Dropout神经网络的农产品价格预测研究[J].数字技术与应用,2018,36(11):49+51.

[8]刘斌,何进荣,李远成,韩宏.基于分布式神经网络的苹果价格预测方法[J].计算机应用,2020,40(02):369-374.

[9]Babazadeh,R.;Abbasi,M.A hybrid ARIMA-ANN approach for optimum estimation and forecasting of gasoline consumption.RAIRO Oper.Res.2017,51,719–728.

[10]Ali Safari,Maryam Davallou.Oil price forecasting using a hybrid model[J].Energy,2018,148.

[11]Jue Wang,Zhen Wang,Xiang Li,Hao Zhou.Artificial bee colony-based combination approach to forecasting agricultural commodity prices[J].International Journal of Forecasting,2019,38(1).

[12]王珏,齐琛,李明芳.基于SSA-ELM的大宗商品价格预测研究[J].系统工程理论与实践,2017,37(08):2004-2014.

[13]Niu Xinsong,Wang Jianzhou,Zhang Lifang.Carbon price forecasting system based on error correction and pide-conquer strategies[J].Applied Soft Computing Journal,2022,118.