利用新型ARIMA-ANN混合方法与经验模态分解提高时间序列数据预测精度
机器学习
2019-07-19 v1 机器学习
摘要
不同领域的许多应用产生大量时间序列数据。准确的预测对许多决策者至关重要。存在各种时间序列预测方法，分别使用线性与非线性模型，或二者结合。研究表明，结合线性与非线性模型可有效提升预测性能。然而，现有方法所作的某些假设可能限制其在特定情形下的表现。我们提出一种在更一般框架下工作的新型自回归积分滑动平均（ARIMA）-人工神经网络（ANN）混合方法。实验结果表明，在混合过程中对原始数据进行分解以及结合线性与非线性模型的策略是影响方法预测性能的关键因素。通过采用适当策略，我们的混合方法可成为提升传统混合方法及单独使用的任一单个方法所得预测精度的有效途径。
引用
@article{arxiv.1812.11526,
title = {Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition},
author = {Ümit Çavuş Büyükşahin and Şeyda Ertekin},
journal= {arXiv preprint arXiv:1812.11526},
year = {2019}
}