基于分解集成框架的铁路货运量预测方法研究

来源：计算机技术与发展杂志2023年第08期北京时间：

作者：曹慧;秦江涛

单位：上海理工大学 管理学院,上海 200093 Author(s): CAO Hui;QIN Jiang-tao School of Management,University of Shanghai for Science&Technology,Shanghai 200093,China 关键词: 互补集合经验模态;秃鹰搜索算法;极限学习机;主成分分析;样本熵 Keywords: complementary ensemble empirical mode decomposition;bald eagle search;extreme learning machine;principal component analysis;sample entropy 分类号: TP181 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 08. 028 摘要: 铁路货运量时间序列受到多种因素影响,数据具有波动性以及随机性的特征,导致预测精度低下。 为了提高铁路货运量的预测精度,提出一种基于分解集成框架的铁路货运量预测方法。 首先筛选相关影响因素,并使用主成分分析(Principal Component Analysis,PCA)进行降维,得到主成分之后使用互补集合经验模态分解( Complementary EnsembleEmpirical Mode Decomposition,CEEMD) 将铁路货运量历史数据分解成较为平稳的分量,用样本熵(Sample Entropy,SE) 评估分量复杂度并重组分量,将重组分量与主成分构成新的数据集,最后将新数据集通过秃鹰搜索算法( Bald Eagle Search,BES) 优化的极限学习机( Extreme Learning Machine,ELM) 的模型中预测,得到重组分量的预测结果,叠加预测分量得到最终预测结果。 与其他算法对比分析得出,提出的 CEEMD-BES-ELM 分解集成方法在铁路货运量预测中具有优越性,能够有效提高铁路货运量预测的准确性。

摘要：铁路货运量时间序列受到多种因素影响,数据具有波动性以及随机性的特征,导致预测精度低下。 为了提高铁路货运量的预测精度,提出一种基于分解集成框架的铁路货运量预测方法。 首先筛选相关影响因素,并使用主成分分析(Principal Component Analysis,PCA)进行降维,得到主成分之后使用互补集合经验模态分解( Complementary EnsembleEmpirical Mode Decomposition,CEEMD) 将铁路货运量历史数据分解成较为平稳的分量,用样本熵(Sample Entropy,SE) 评估分量复杂度并重组分量,将重组分量与主成分构成新的数据集,最后将新数据集通过秃鹰搜索算法( Bald Eagle Search,BES) 优化的极限学习机( Extreme Learning Machine,ELM) 的模型中预测,得到重组分量的预测结果,叠加预测分量得到最终预测结果。 与其他算法对比分析得出,提出的 CEEMD-BES-ELM 分解集成方法在铁路货运量预测中具有优越性,能够有效提高铁路货运量预测的准确性。

关键词：互补集合经验模态;秃鹰搜索算法;极限学习机;主成分分析;样本熵