联合emd和fsvm的非平稳时间序列预测

提出一种基于经验模态分解(emd)和模糊支持向量机(fsvm)的非平稳时间序列组合预测方法。首先,利用emd对非平稳时间序列进行分解,将其分解为时间尺度特征较为单一的单模态分量,降低待预测信号的非线性复杂度；然后,利用模糊支持向量机对emd分解后的各固有模态函数进行预测；最后将各固有模态函数独立预测的结果进行叠加,即可得到原始序列的预测值。以带噪声的lorenz系统和太阳黑子月平滑值序列为实验数据,对提出的预测方法进行了仿真分析。实验结果表明,与bp神经网络预测和传统的svm预测方法相比,提出的方法具有更好的预测精度,而且对带有孤立点、噪声的序列信号具有较强的适应能力。