基于分解集成框架的铁路货运量预测方法研究

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 Ensemble Empirical 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。