基于MOEA/D多目标优化选择的预测学习框架

摘要：

为提高大豆期货价格预测模型精度和泛化能力,文章提出一种基于MOEA/D多目标优化选择的预测学习框架.首先,利用完全集合经验模态分解(CEEMD)将序列分解为高频、低频和趋势序列;然后,使用差分自回归移动平均(ARIMA)、BP神经网络(BP)、回归决策树(CART)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)分别预测各序列;再使用MOEA/D算法对各个模型进行多目标优化选择,并对各序列进行集成处理,得到预测结果.为验证预测学习框架的优越性,以芝加哥期货交易所大豆期货每分钟数据作为实证数据,并与10个基准模型进行对比.结果 表明:所提出的预测学习框架具有更好的优越性,在精度、泛化能力和稳健性上均具有很好的效果.

关键词：CEEMD分解、多目标优化、MOEA/D算法、集成策略

所属期刊栏目：37

分类号：C81(统计方法)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;教育教学改革项目;湖北省社会科学基金;湖北省社会科学基金;中南财经政法大学研究生教育创新计划;中南财经政法大学研究生教育创新计划

在线出版日期：2021-04-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：40-43