基于序列广义变分模态分解的组合模型用于时间序列预测
信号处理
2024-06-10 v2 机器学习
摘要
金融时间序列的准确预测是市场经济制定者和投资者关注的关键问题。本文选取网店销售额和澳大利亚啤酒销售额作为非平稳、有趋势和季节性的金融时间序列的代表，以非线性组合方式构建了一种新的SGVMD-ARIMA组合模型来预测金融时间序列。使用ARIMA模型、LSTM模型以及其他经典分解预测模型作为对照模型，比较不同模型的预测精度。实证结果表明，所构建的组合预测模型相较于对照组的单一预测模型和线性组合预测模型具有普遍优势。在预测区间内，我们提出的组合模型相较于传统的分解预测对照组模型具有改进优势。
引用
@article{arxiv.2406.03157,
title = {A Combination Model Based on Sequential General Variational Mode Decomposition Method for Time Series Prediction},
author = {Wei Chen and Yuanyuan Yang and Jianyu Liu},
journal= {arXiv preprint arXiv:2406.03157},
year = {2024}
}