基于分解集成的LSTM神经网络模型的油价预测.docx

基于分解集成的LSTM神经网络模型的油价预测摘要：原油作为日常生活中不可或缺的稀有资源其价格一直备受国际的关注，据前人研究得知，原油与世界经济和政治事件之间紧密联系，同时原油价格疲软对石油、天然气的勘测均有很大影响，因此，毋庸置疑研究原油价格规律对国际社会是一件非常有意义的事情。那要研究某样事物，了解事物被前人所研究的前后古今是作为之后研究的基础和指南，关乎油价预测的研究，查阅资料发现，使用机器学习支持向量机和深度学习LSTM挖掘油价规律的实例较其他预测油价多，且由于原油油价的波动具有非线性、不确定性等特征且为解决深度学习模型中原油油价噪声的积累，建模前去噪是油价模型建模很重要的一步。为提高油价的预测效果，主要从以下几个方面展开探究：首先，本人将WTI、Brent原油价格处理为每60个原油数据为一组Xi和对应的第61个油价数据yi,将构造好的Xi、yi分成测试数据集和训练数据集，使用训练数据集直接训练LSTM模型，得到对应的WTI原油LSTM预测模型和Brent原油LSTM预测模型。实验结果表明LSTM模型在原油价格预测中表现良好，但是其预测精度受到噪声和非线性因素的影响。其次，本人将EEMD和LSTM建模结合起来，以改善预测结果。LSTM预测容易受到噪声影响，因此引入处理信号的技术EEMD,它将原始信号分解成多个本征模函数(IMFS)和一个RES,使用LSTM模型对每个IMF进行建模和预测，最后将预测结果进行组合。参考历史研究发现，有研究者将IMFS分为根据信号频率分为高频和低频信号再建模预测的，因此，本人也引入这个高频低频信号对IMFS进行信号处理，将高频低频IMFS信号作为LSTM的输入获得高频LMFS预测结果和低频IMFS预测结果，再将预测结果加和，作为模型最终的原油价格预测结果。实验结果表明，EEMD分解参与LSTM建模相比起LSTM建模预测来说有提高原油价格预测准确性和可靠性的作用。最后，机器学习建模是一种传统的预测方法，它可以使用多种机器学习算法对原油价格进行建模和预测，在此，本人使用支持向量机(SVM)算法对原油价格进行建模和预测，并将其与EEMD-LSTM混合建模进行对比。综上所述，本文提出的EEMD-LSTM混合模型与LSTM模型、支持向量机模型做对比预测，最终得到EEMD分解集成LSTM模型在原油价格预测中表现良好，具有较好的应用前景。关键词：油价预测；WTl原油；LSTM模型；EEMD-LSTM混合模型；支持向量机回归OilPricePredictionBasedonDecompositionEnsembleLSTMNeuralNetworkModelAbstract：Crudeoilasanindispensableandrareresourceindailylifeitspricehasalwaysbeenofinternationalconcern.Accordingtopreviousresearchitisknownthatthereisacloselinkbetweencrudeoilandworldeconomicandpoliticalevents,whiletheweaknessofcrudeoilpricehasagreatimpactonoilandgassurveys,sothereisnodoubtthatthestudyofcrudeoilpricelawisaverymeaningfulthingfortheinternationalcommunity.Thattostudysomething,understandthethingswerestudiedbypreviouspeoplebeforeandaftertheancientandmodemisasabasisandguideforsubsequentresearch,aboutthestudyofoilpriceprediction,accesstoinformationfoundthattheuseofmachinelearningsupportvectormachineanddeeplearningLSTMminingoilpricelawsoftheexamplesthanotherpredictionofoilprices,andduetothefluctuationsofcrudeoiloilpricehasnon-linear,uncertaintyandothercharacteristicsandtosolvethedeeplearningmodelincrudeoilTheaccumulationofoilpricenoiseisanimportantstepinmodellingoilpricemodelsbeforemodelling.Inordertoimprovethepredictioneffectofoilprices,thefollowingaspectsareexplored:First,IprocessedWTIandBrentcrudeoilpricesasasetofXiandthecorresponding61stoilpricedatayiforevery60crudeoildata,dividedtheconstructedXiandyiintotestandtrainingdatasets,andusedthetrainingdatasettodirectlytraintheLSTMmodeltoobtainthecorrespondingWTIcrudeoilLSTMpredictionmodelandBrentcrudeoilLSTMpredictionmodel,predictionmodelsforWTIcrudeoilandBrentcrudeoil.TheexperimentalresultsshowthattheLSTMmodelsperformwellincrudeoilpriceprediction,buttheirpredictionaccuracyisaffectedbynoiseandnon-linearfactors.Secondly,IcombineEEMDandLSTMmodellingtoimprovetheforecastingresults.theLSTMforecastsaresusceptibletonoise,so1introducethesignalprocessingtechniqueEEMD,whichdecomposestheoriginalsignalintomultipleeigenmodefunctions(IMFS)andanRES,modelsandforecastseachIMFusingLSTMmodels,andfinallycombinestheforecasts.Referringtohistoricalresearch,itwasfoundthatsomeresearchersdividedtheIMFSintohigh-frequencyandlow-frequencysignalsaccordingtothesignalfrequencybeforemodellingandforecasting,therefore,1alsointroducedthishigh-frequencyandlow-frequencysignaltoIMFSforsignalprocessing,andusedthehigh-frequencyandlow-frequencyIMFSsignalsasinputtotheLSTMtoobtainthehigh-frequencyLMFSpredictionresultsandlow-frequencyIMFSpredictionresults,andthensummedthepredictionresultsasthemodel'sfinalcrudeoilpricepredictionresults.TheexperimentalresultsshowthattheEEMDdecompositioninvolvedinLSTMmodellinghastheeffectofimprovingtheaccuracyandreliabilityofcrudeoilpriceforecastingcomparedtoLSTMmodellingforecasting.Finally,machinelearningmodellingisatraditionalforecastingmethodthatcanmodelandforecastcrudeoilpricesusingavarietyofmachinelearningalgorithms.Here,IusetheSupportVectorMachine(SVM)algorithmtomodelandforecastcrudeoilpricesandcompareitwiththeEEMD-LSTMhybridmodelling.Insummary,theEEMD-LSTMhybridmodelproposedinthispaperdoescomparisonandpredictionwithLSTMmodelandsupportvectormachinemodel,andfinallyobtainsthattheEEMDdecompositionintegratedLSTMmodelperformswellincrudeoilpricepredictionandhasgoodapplicationprospects.Keywords:oilpriceprediction;WTIcrudeoil;LSTMmodel;EEMD-LSTMmixedmodel;supportvectormachineregression目录V第1章绪论61.1 课题研究背景及意义61. 1.1课题背景62. 1.2课题研究意义61.2 国内外研究现状71.3 主要研究内容与结构安排71.3 .1主要研究内容71.4 .2结构安排7第2章相关理论与方法102.1 深度学习相关理论102. 1.1LSTM神经网络模型原理102.2 集合经验模式分解102. 2.1EMD方法原理113. 1.2EEMD方法原理112. 3机器学习支持向量机原理12第3章实证分析132.1 数据收集与指标选取133. 2LSTM建模流程及实证分析151. 2.1LSTM的建模流程153. 2.2LSTM实证分析173.3EEMD+LSTM建模思路及实证分析183.3.1模型设计的总体思路183.3.2EEMD-LSTm实证分析193.4SVM实证分析26第4章总结展望28致谢29参考文献30第1章绪论1.1 课题研究背景及意义111课题背景自2022年开始，全球原油价格的快速上涨是明显感知的趋势。这种趋势是由全球经济和社会不断变化的综合因素所导致的。美国能源署的数据表明，原油价格在1998年最低价为11.31美元/桶，但是在2008年，价格却飙升至134.02美元/桶，成为历史上涨幅最高的时期。然而，在2008年，由于美国次贷危机引发的全球性金融危机，油价迅速下跌，原油价格在2009年2月急剧下跌至39.26美元/桶，跌幅接近71%。2020年，沙特开启价格战，折扣幅度创下20年来最大记录，导致全球油价相当恐慌。2020年3月9日，WTI原油价格下跌幅度达到27%,每桶油约30