基于VMD-LSTM-ELMAN模型的国际原油价格人工智能预测研究

摘要

针对国际原油价格序列的高度非线性、非平稳性和时变性等复杂特征，本文提出一种基于变分模态分解(Variational modal decomposition, VMD)和组合预测模型LSTM-ELMAN的方法对国际原油价格进行预测。首先采用VMD方法将原始原油价格分解为不同频率的子序列；然后采用不同模型分别对高频和低频序列进行预测，利用ELMAN神经网络(Elman neural network, ELMAN)预测最后一个高频分量，长短期记忆网络(LSTM,Long short-term memory network)作为主要的预测模型来预测其他子序列；最后重构不同模型的子序列预测值，进而得到最终的预测结果。实证研究结果表明，本文所提出的VMD-LSTM-ELMAN混合模型相较于对比模型不仅能够明显提高国际原油价格的预测精度，而且在不同训练集长度和市场环境下仍能保持预测优势，具有较强的泛化性与可靠性。总体而言，基于国际原油价格的实验证明了VMD-LSTM-ELMAN是一种有效且稳定的预测模型，能够为政府和企业提供有效的智能技术支持。

关键词

原油价格预测 / 变分模态分解 / 长短期记忆网络 / ELMAN神经网络