一种面向决策的层次自适应原油价格集成预测框架

《Computers & Chemical Engineering》:A hierarchical adaptive decision-oriented ensemble forecasting framework for crude oil prices

【字体: 大 中 小 】 时间:2026年09月30日 来源:Computers & Chemical Engineering 4.9

编辑推荐:

   # 摘要 原油价格在全球能源市场中发挥着关键作用,与经济金融稳定密切相关。然而,原油价格动态具有强非线性、结构复杂性和时变行为特征,使得准确预测成为一项极具挑战性的任务。现有大多数预测研究依赖固定的建模结构或静态集成策略,忽视了自适应模型构建机制在演变市场环境中的重要性。为

  

# 摘要

原油价格在全球能源市场中发挥着关键作用,与经济金融稳定密切相关。然而,原油价格动态具有强非线性、结构复杂性和时变行为特征,使得准确预测成为一项极具挑战性的任务。现有大多数预测研究依赖固定的建模结构或静态集成策略,忽视了自适应模型构建机制在演变市场环境中的重要性。为解决这一局限,本研究提出了一种面向原油价格的分层自适应决策导向集成预测框架,将预测任务表述为多阶段自适应建模过程。该框架在统一系统中集成了数据采集与数据集重构、结构一致的数据表示、异构预测器生成、自适应预测器选择以及时间非线性聚合。通过动态确定应保留哪些预测器以及根据其整体预测性能如何聚合其输出,该框架有效减轻了模型冗余并提升了最终预测性能。在布伦特原油日度数据集上进行的综合实证评估表明,所提框架的表现优于多种先进基准模型。此外,该框架能够同时生成点预测和区间预测,凸显了其在波动能源市场风险评估中的实用价值。

# 1. 引言

本节介绍研究背景,综述相关文献,总结本研究的主要贡献,并概述论文结构。

## 1.1. 背景

原油被公认为全球重要的战略资源,在支撑现代经济发展和维护政治军事稳定方面发挥着基础性作用(Gong等,2024;Zhou等,2026)。作为最具影响力的国际基准之一,布伦特原油是许多国家原油进口价格的关键参考,其价格波动与能源安全和宏观经济表现密切相关。然而,原油价格表现出显著的波动性,且对外部冲击和全球突发事件高度敏感。地缘政治冲突、金融动荡和意外事件可能引发剧烈价格波动,大幅增加市场不确定性。一个典型案例是俄罗斯-乌克兰冲突,该事件导致布伦特原油价格急剧飙升并加剧了国际能源市场的波动(Shen等,2024)。此类极端且不规则的价格走势给实现准确稳定的原油价格预测带来了重大挑战。

在此背景下,可靠的原油价格预测不仅是技术问题,也是实现明智决策的重要基础。准确稳健的预测可以帮助政策制定者、投资者和市场参与者制定前瞻性的政策、投资和风险管理策略(Rao等,2025;Yang等,2025)。因此,开发能够适应复杂多变市场环境的预测方法已成为一个日益重要的研究目标。

## 1.2. 文献综述

现有原油价格预测研究大致可分为三类:传统统计方法、人工智能方法和混合预测方法。传统统计方法在原油价格预测研究中被广泛应用(Luo和Yu,2024),如广义自回归条件异方差模型(GARCH)(Zhang等,2019)、自回归积分滑动平均模型(ARIMA)(Parisi-Fernández等,2019)和季节自回归积分滑动平均模型(SARIMA)(Theerthagiri和Ruby,2023)。这些方法基于严谨的统计理论;然而,它们通常依赖严格的假设,而这些假设在高波动且复杂的原油市场中往往被违背,导致在真实市场条件下预测性能有限(Akusta等,2026)。

为克服这些局限,人工智能方法凭借其捕捉非线性和非平稳特征的强能力,被引入作为原油价格预测的有力工具(Celik等,2026)。因此,人工智能方法成为该领域的一个重要研究方向。例如,Guo等(2023)研究了不同机器学习模型在中国原油期货价格预测中的表现。然而,大量实证证据表明,单一人工智能模型往往鲁棒性不足,容易出现过拟合和局部最优问题,尤其是在面对变化的市场环境和噪声数据时(Wang和Fang,2025;R. Yang等,2023)。

鉴于单一预测模型在数据表示、模型结构和参数稳定性方面的固有局限,混合预测方法引起了越来越多的关注(Liu等,2022)。通过整合多种技术的互补优势,混合方法在包括原油价格预测(Tan等,2024)、股价预测(Mei和Li,2026)、风电预测(J. Wang等,2025)和碳价预测(Xu等,2026)在内的多个预测领域均展现出强劲表现。例如,Zhu等(2025)将多尺度分解与深度学习模型相结合用于原油价格预测。Liu等(2026)提出了通过整合自适应小波分解与Kolmogorov-Arnold网络构建的混合模型。Du和Ma(2026)提出了一种基于多元经验模态分解的混合建模方法来改善原油价格预测。

在现有混合范式当中,分解-集成框架被广泛认为是一种有前景的建模策略,因为它能够实现并行信息处理,并为表示复杂的非线性非平稳价格动态提供了有效手段(Li等,2024)。在此类框架中,预测模型与数据分解技术相结合,通过分离隐式成分来提高预测精度(Chen等,2026)。代表性技术包括集合经验模态分解(EEMD)(B. Sun等,2022)、互补集合经验模态分解(CEEMD)(Wu等,2022)、变分模态分解(VMD)(Wu等,2025)以及改进的自适应噪声完备集合经验模态分解(ICEEMDAN)(J. Sun等,2022)。此外,类似方法还包括多元分解(Y. Wang等,2025)和二次分解(Dai等,2026)。Li等(2025)对原油预测中九种分解方法进行了比较研究,发现分解方法可以改善预测性能。总体而言,这些技术已被广泛用作原油价格预测及相关能源市场研究中的数据表示工具。

一个关键问题是如何为每个子序列分配适当的预测器。现有研究主要采用两类策略:主观选择和客观选择。主观选择依赖研究者的经验或实验比较来确定每个子序列的预测器,可能在不同子序列间使用相同或不同的模型。例如,Li等(2021)采用随机稀疏贝叶斯学习(RSBL)预测所有子序列,Wang和Zhang(2025)使用改进的深度学习模型作为预测器,Cui等(2025)选择门控循环单元(GRU)作为预测器。其他研究采用异构建模策略,如使用自回归条件区间(ACI)模型处理低频成分和区间长短期记忆(iLSTM)模型处理高频成分(Zheng等,2024)。然而,主观选择不可避免地引入了随意性,且往往无法适应不同子序列的多样化特征。

为解决这一问题,客观选择策略被提出,基于评价指标识别每个子序列的最优预测器。例如,Jiang等(2021)构建了一个综合指标,为能源期货价格预测中的每个子序列选择表现最佳的模型。尽管客观选择方法可以提高单个子序列的预测精度,但它们隐含地假设独立优化每个子序列就能实现最优的整体预测性能。实际上,这一假设并非总是成立,因为优质的子序列预测未必能转化为最优的聚合结果。因此,子序列级优化与集成系统整体预测性能之间的缺乏协调仍然是一个重要但尚未充分探索的问题。

此外,集成学习在整合不同预测以生成最终预测结果方面发挥着至关重要的作用,被广泛认为是一种提高预测性能的有效方法(Fonseca等,2025)。现有大多数原油价格预测研究采用线性集成策略,包括等权法和不等权法。等权集成方法对所有子序列预测器赋予相同权重。例如,Jiang等(2023)通过直接求和聚合子序列预测。不等权集成方法通过为不同预测器分配优化权重进一步提升预测性能,如Wang等(2022)利用人工智能优化器确定原油价格预测的最优权重。Chen和Tian(2025)提出了一种多目标优化的约束保证策略,并开发了一种新的原油价格预测集成模型。该集成方法也被应用于其他相关预测领域。例如,Habtemariam等(2025)采用冠状病毒优化算法确定能源消费预测的最优集成权重。然而,线性集成方法通常假设单个预测器与最终预测输出之间存在线性关系,这限制了其捕捉预测器之间复杂非线性交互以及预测值与观测值之间关系的能力(S. Yang等,2023)。

综上所述,现有预测框架面临三大主要局限:(1)静态预测器分配策略缺乏自适应性;(2)子序列级优化可能与完整集成系统的最终预测性能不一致;(3)线性集成机制无法捕捉非线性和时变关系。这些局限促使开发一种更加灵活和自适应的预测框架,该框架能够动态选择信息量丰富的预测器,并以非线性和时间一致的方式聚合预测信息。

## 1.3. 主要工作和贡献

为解决现有原油价格预测研究的局限,本文提出了一种分层自适应决策导向集成预测(HAD-ENF)框架。在本研究中,"决策导向"并非指对显式经济效用函数、交易策略或下游运营决策的直接优化。相反,它指的是自适应的内部模型构建决策,包括预测器保留、预测器排除和非线性聚合。因此,所提框架仍然是以预测性能为导向的,其决策导向特征体现在自适应预测器选择和非线性聚合中。具体而言,所提框架将原油价格预测组织为一个多阶段自适应过程,其中数据采集与数据集重构、数据表示、预测器生成、自适应选择和集成聚合被系统性地协调以提升整体预测性能。首先,一个结构一致的数据表示阶段将原始原油价格序列分解为多个成分,从而降低建模复杂度并便于提取互补信息。其次,一个异构预测器生成阶段通过对每个分解成分应用不同预测模型来构建多样化的候选预测器池,确保数据特征被有效捕捉。第三,一个自适应预测器选择阶段根据候选预测器对整体预测性能的贡献,从候选池中识别信息量丰富的预测器,而非依赖静态的子序列-预测器分配。最后,一个时间非线性集成阶段以时间一致的方式聚合所选预测器以产生最终预测结果,从而实现点预测和区间预测的生成。在布伦特原油日度数据集上进行的广泛实证研究表明,所提框架在应对原油价格预测挑战方面是有效的。

本研究的主要贡献总结如下:

(1)提出了一种面向原油价格的分层自适应决策导向集成预测框架。该框架将原油价格预测重新表述为一个多阶段自适应过程,其中数据采集与数据集重构、数据表示、预测器生成、自适应选择和集成聚合被联合协调。通过在预测结构中显式嵌入自适应性,该框架克服了固定建模架构的局限,并在不同评估数据集上提高了鲁棒性。

(2)开发了一种自适应预测器选择策略,以提升完整集成系统的最终预测性能。与现有将单个预测器主观或客观地分配给每个子序列的方法不同,所提策略从异构候选池中动态识别信息量丰富的预测器,并允许每个成分与零个、一个或多个预测器关联。这种设计减轻了模型冗余,减少了不必要的复杂度,并优先保证集成系统的整体预测性能而非单个子序列的独立预测精度。

(3)设计了一种时间结构感知的非线性集成机制,以增强聚合鲁棒性和泛化能力。通过将集成学习表述为顺序聚合过程,所提机制捕捉了所选预测器之间的非线性交互和时间依赖性,从而克服了传统线性集成策略的固有局限,并在不同数据集上改善了预测稳定性。

(4)建立了一个能够同时提供点预测和区间预测的统一预测框架。

所提出的框架能够同时对确定性的价格走势及其相关不确定性进行建模,从而生成点预测和预测区间。该设计提供了更为全面的预测信息,并支持在波动剧烈的原油市场中进行风险分析。

**1.4 本文结构**

本文结构如下:第2节介绍所提出的HAD-ENF框架,详细说明其关键组成部分和建模流程;第3节介绍性能评价指标;第4节展示实验与分析结果;第5节讨论新设计的自适应预测器选择策略的优势;第6节总结本文的研究发现。

**2. HAD-ENF框架建模**

如图1所示,所提出的HAD-ENF框架将原油价格预测组织为一个分层多阶段过程,包括数据采集与数据集重构、结构一致的数据表示、异构预测器生成、自适应预测器选择以及时间非线性集成聚合。该框架的决策导向特征体现在预测器选择和集成聚合过程中所做出的自适应内部建模决策。这些内部建模决策始终以预测性能为驱动:最小绝对收缩与选择算子(LASSO)根据候选预测器的预测贡献确定哪些候选预测器应被保留,而时间卷积网络(TCN)则学习如何将所选预测器的输出进行非线性聚合,以提升最终预测性能。

![Fig. 1. The architecture of the proposed HAD-ENF framework.](图1. 所提出的HAD-ENF框架架构)

**2.1 数据采集与数据集重构**

本研究采用布伦特原油期货收盘价来评估所提出的HAD-ENF框架的预测性能。数据来源于公开金融平台Investing.com,并划分为多个具有不同时间跨度的数据集,以检验预测框架在不同原油价格特征下所体现的稳健性。具体而言,共构建了三个数据集:数据集A覆盖2020年3月6日至2023年8月29日;数据集B从2020年5月11日至2023年10月31日;数据集C从2020年7月13日至2024年1月4日。每个数据集选取900个观测值(对应900个交易日),并划分为训练集、验证集和测试集,分别包含720、135和45个观测值。训练数据用于基础预测器训练,验证数据支持自适应预测器选择和TCN聚合训练,测试数据用于样本外性能评估以及与基准模型的比较。各数据集的描述性统计结果汇总于表1。

**表1. 各数据集的描述性统计**

| 数据集 | 子集 | 数量 | 均值 | 标准差 | 最小值 | 最大值 | 峰度 | 偏度 |
|--------|------|------|------|--------|--------|--------|------|------|
| A | 训练集 | 720 | 71.604167 | 25.598360 | 19.330000 | 127.980000 | 2.058456 | 0.016767 |
| A | 验证集 | 135 | 80.208889 | 4.492636 | 71.840000 | 88.190000 | 1.697707 | ?0.095142 |
| A | 测试集 | 45 | 82.029111 | 3.825347 | 74.030000 | 87.550000 | 2.232967 | ?0.651767 |
| A | 全部 | 900 | 73.416122 | 23.260943 | 19.330000 | 127.980000 | 2.449792 | ?0.196598 |
| B | 训练集 | 720 | 75.064264 | 23.096579 | 29.190000 | 127.980000 | 2.128827 | 0.010992 |
| B | 验证集 | 135 | 79.681926 | 4.427277 | 71.840000 | 87.550000 | 1.636268 | 0.053994 |
| B | 测试集 | 45 | 90.412000 | 3.091395 | 84.070000 | 96.550000 | 2.247492 | ?0.118597 |
| B | 全部 | 900 | 76.524300 | 21.044973 | 29.190000 | 127.980000 | 2.507767 | ?0.169236 |
| C | 训练集 | 720 | 77.726750 | 21.131015 | 37.460000 | 127.980000 | 2.374570 | ?0.033810 |
| C | 验证集 | 135 | 82.686593 | 6.783910 | 71.840000 | 96.550000 | 1.778004 | 0.200961 |
| C | 测试集 | 45 | 79.619333 | 3.150777 | 73.240000 | 86.850000 | 2.550349 | 0.020838 |
| C | 全部 | 900 | 78.565356 | 19.173718 | 37.460000 | 127.980000 | 2.829226 | ?0.148704 |

**2.2 结构一致的数据表示**

为了在降低建模复杂度的同时保留原油价格动态的内在结构特征,本研究采用结构一致的数据表示策略,即将原始原油价格序列分解为具有不同时间-频率特征的多个子序列。该表示方法通过逐次变分模态分解(SVMD)技术实现,根据信号固有的时间和频率特征将原始序列分解为一组子序列。SVMD最初由Nazari和Sakhaei于2020年提出,是变分模态分解(VMD)框架的扩展。与需要预先指定模态数量的VMD不同,SVMD按顺序逐个提取模态,从而缓解了因模态数量估计不准确而导致的潜在模态混叠问题。通过避免预设模态数量,SVMD提供了一种适用于复杂时间序列数据的灵活分解方案。SVMD的核心机制基于通过变分优化逐次提取各个模态,同时引入约束以防止收敛至已提取的模态。

给定输入信号f(t),提取第L个模态u_L(t)及其残差信号f_r(t),其中残差由已提取模态的累积贡献和剩余未解释的信号分量组成。该关系可表示为:

(1) f_r(t) = Σ_{i=1}^{L-1} u_i(t) + f_u(t)

为确保在所提出的结构一致表示中实现有意义的模态提取和准确的信号重构,引入了四条准则。

**准则1:** 要求每个提取的模态在其中心频率附近呈现频谱紧凑性。因此,第L个模态u_L(t)通过最小化以下目标函数获得:

(2) J_1 = ‖?_t[(δ(t) + jπ/t) * u_L(t)]e^{-jω_L t}‖2_2

其中ω_L表示第L个模态的中心频率。

**准则2:** 为减少残差信号f_r(t)与已提取模态u_L(t)在频域中的重叠,采用具有特定频率响应的滤波器β?_L(ω),满足以下约束:

(3) β?_L(ω) = 1 / (α(ω ? ω_L)2)

基于该约束,通过最小化以下目标函数进一步强制f_r(t)与u_L(t)之间的频谱分离:

(4) J_2 = ‖β_L(t) * f_r(t)‖2_2

其中β_L(t)表示滤波器的脉冲响应。

**准则3:** 为防止J_1和J_2的最小化导致第L个模态被识别为前L?1个模态之一,采用类似于建立准则J_2的方法。具体而言,考虑滤波器的频率响应:

(5) β?_i(ω) = 1 / (α(ω ? ω_i)2);i = 1, 2, ?, L?1

因此,该准则表述为:

(6) J_3 = Σ_{i=1}^{L-1} ‖β_i(t) * u_L(t)‖2_2

**准则4:** 为确保信号分解后实现完整重构,施加以下约束:

(7) f(t) = u_L(t) + f_u(t) + Σ_{i=1}^{L-1} u_i(t)

当已知L?1个模态时,第L个模态的提取可以表述为约束最优化问题。通过最小化J_1、J_2和J_3的组合来满足约束条件:

(8) {min_{u_L, ω_L, f_r} {αJ_1 + J_2 + J_3} s.t. u_L(t) + f_r(t) = f(t)}

其中α是控制J_1、J_2和J_3相对权重的平衡参数。

在具体实施中,SVMD参数设置如下:模态紧凑性参数初始值为10,逐步增加至最大值α_max = 70;对偶上升时间步长参数设为τ = 0;收敛容差设为1×10??;提取每个模态的最大迭代次数为300。每个模态的中心频率默认初始化为0。此外,采用SVMD的第四个停止准则,即末模态功率准则。具体而言,每次提取一个模态后,将其功率指标相对于第一个模态进行归一化。当连续提取的两个模态的归一化功率指标之间的绝对差值小于0.001时,分解过程终止。所有三个数据集均采用相同的参数设置。在该自适应停止准则下,分解过程在提取三个模态后对三个布伦特原油价格数据集均终止;因此,模态数量由停止准则决定而非预先指定。

**2.3 异构预测器生成**

在所提出的HAD-ENF框架中,异构预测器生成阶段的设计旨在刻意保留多种预测视角,而非预先确定最优预测模型。鉴于原油价格的结构异质性和动态演变特性,不同分量在不同数据条件下可能更适用于不同的建模假设。因此,不能假设单一预测模型对最终集成预测任务普遍有效。

据此,该阶段被设计为异构预测器生成过程,采用多种具有不同统计、非线性和时间特征的预测模型来构建综合候选预测器池。所有预测器均独立使用每个分解子序列的训练数据进行预训练,并以对称方式对待,不施加任何先验偏好或排序,以避免在该阶段产生过早的模型承诺和启发式偏差。与基于孤立子序列性能选择预测器不同,预测器相关性的评估被有意推迟到后续的自适应预测器选择阶段,其中每个候选预测器根据其对最终集成预测性能的贡献进行评估。

具体而言,考虑了四个代表性预测器,涵盖线性统计建模、基于核的非线性学习、随机化非线性近似和基于深度学习的时间建模。通过为每个子序列生成多个候选预测器,该阶段提供了多样化的预测信息,并为后续阶段的自适应选择和集成聚合保持结构灵活性。各预测器的建模原理介绍如下。

**2.3.1 预测器1:线性统计视角**

在异构预测器生成阶段,采用自回归积分滑动平均(ARIMA)模型为分解后的子序列提供关于时间依赖关系的线性统计视角。ARIMA是一种经典的时序建模框架,由自回归项、差分运算和滑动平均分量组成,因其坚实的理论基础而被广泛应用于预测研究(Tolesh and Biloshchytska, 2024)。建模过程主要包括三个步骤:

**步骤1:** 平稳性检验。构建初始时序数据的自相关函数(ACF)和偏自相关函数(PACF)图,并评估数据的平稳性。若数据呈现非平稳性,则进行差分处理并重新评估平稳性,直至达到平稳。

**步骤2:** 模型识别与参数确定。基于平稳序列的ACF和PACF图进行参数估计,并采用Akaike信息准则(AIC)或贝叶斯信息准则(BIC)验证模型参数。较低的AIC和BIC值表明模型拟合效果更优。

**步骤3:** 模型检验。对残差进行白噪声检验。若残差符合白噪声过程,则认为估计参数在统计上充分。否则,重复步骤2重新确定参数。

**2.3.2 预测器2:基于核的非线性视角**

在异构预测器生成阶段,采用最小二乘支持向量机(LSSVM)提供基于核的非线性建模视角。LSSVM是传统支持向量机的改进形式,将不等式约束转换为等式约束,并将损失函数表示为最小二乘形式,从而简化了优化过程(Maghsoudy et al., 2024)。通过引入核函数,LSSVM能够在保持清晰数学结构的同时实现对输入数据的非线性映射。

LSSVM的回归函数如下:

(9) f(x) = ω^T φ(x) + b

其中ω为权重向量,φ(x)为特征映射,b为偏置项。

根据结构风险最小化原理,LSSVM的优化问题可重新表述为:

(10) {min J(ω, b, e) = ?‖ω‖2_2 + (1/2r) Σ_{i=1}^n e_i2 s.t. y_i = ω^T φ(x_i) + b + e_i}

其中e_i表示拟合误差,r为控制拟合精度与模型复杂度之间权衡的正则化参数。

引入拉格朗日乘子λ_i,对上方程组求导以消除ω和e,从而获得LSSVM预测模型:

(11) f(x) = Σ_{i=1}^n λ_i K(x_i, x) + b

其中K(x_i, x)为核函数。

**2.3.3 预测器3:随机化非线性近似视角**

在异构预测器生成阶段,引入极限学习机(ELM)作为具有独特学习机制的附加非线性预测器。ELM是一种单隐层前馈神经网络,其中隐层参数随机分配,输出权重通过解析方法确定,从而简化了学习过程(Huang et al., 2006)。

由于这种随机化参数化策略,ELM提供了一种替代性的非线性近似视角,并被广泛应用于各种预测和回归任务中。在所提出的框架中,ELM提供了互补的预测信息,丰富了候选预测器池以供后续自适应预测器选择使用。

假设输入层、隐层和输出层分别有n、l和m个节点,N个输入样本表示为(x_i, t_i),i = 1, 2, …, N,其中x_i为输入,t_i为期望输出,ELM可定义为:

(12) y(x) = Σ_{i=1}^l β_i h_i(x) = h(x)β

其中h(x)表示隐层输出,β为权重向量。

为确保在插值条件下训练误差为零,施加以下准则:

(13) Σ_{j=1}^N ‖y(x_j) ? t_j‖ = 0

存在参数β、w_i和b_i使得y(x_j) = t_j。该方程可表示为矩阵形式:

(14) Hβ = T

在ELM学习过程中,w_i和b_i均随机生成,β是唯一需要确定的参数,采用最小二乘解如下:

(15) β = H?T

其中H?为隐层输出矩阵H的Moore-Penrose广义逆。

**2.3.4 预测器4:时间深度学习视角**

在异构预测器生成阶段,采用长短期记忆(LSTM)网络提供基于深度学习的时间建模视角。LSTM最初被提出以解决循环神经网络在捕捉长期时间依赖关系方面的局限性,通过引入门控机制调节信息随时间的流动(Hochreiter and Schmidhuber, 1997)。通过其门控架构,LSTM为分解后的子序列生成顺序预测输出,并提供与统计和机器学习预测器输出互补的时间预测信息。

遗忘门确定在时间t?1时刻记忆单元中信息的保留和丢弃,即给定信息在记忆中可保留多长时间以及何时重置记忆单元。

公式定义如下:
$$f_t = \sigma(W_f \cdot [y_{t-1}, x_t] + b_f) \tag{16}$$
其中,$f_t$ 为遗忘门参数,$W_f$ 为遗忘门的权重,$y_t$ 为隐藏层输出,$x_t$ 为输入,$b_f$ 为遗忘门的偏置向量。

输入门控制哪些信息被允许流入记忆单元,从而更新单元状态。公式定义如下:
$$i_t = \sigma(W_i \cdot [y_{t-1}, x_t] + b_i) \tag{17}$$
$$C'_t = \tanh(W_C \cdot [y_{t-1}, x_t] + b_C) \tag{18}$$
$$C_t = f_t \cdot C_{t-1} + i_t \cdot C'_t \tag{19}$$
其中,$i_t$ 为输入门参数,$C'_t$ 为记忆单元的新信息,$C_t$ 为当前单元状态。

输出门用于过滤记忆单元中的信息,并输出对未来值预测最需要的信息。公式定义如下:
$$o_t = \sigma(W_o \cdot [y_{t-1}, x_t] + b_o) \tag{20}$$
$$y_t = o_t \cdot \tanh(C_t) \tag{21}$$
其中,$o_t$ 为输出门激活值,$W_o$ 和 $b_o$ 分别为输出门的权重矩阵和偏置向量,$C_t$ 为当前单元状态,$y_t$ 为当前隐藏状态。

## 2.4 自适应预测器选择

在提出的 HAD-ENF 框架中,自适应预测器选择阶段旨在将异质性预测器池转化为紧凑且具有信息量的子集。尽管不同的分解子序列展现出各自的数据特征,但并非所有候选预测器都在特定数据条件下对最终预测性能产生正面贡献。保留冗余或无效的预测器可能会不必要地增加模型复杂度,并损害集合方法的稳定性和泛化能力。现有基于分解的预测研究中,模型选择策略往往强调单个子序列的预测精度,而忽略了预测器选择对整体预测性能的影响。与之相比,本文提出的框架根据预测器对完整集合系统最终预测性能的贡献来评估其相关性,而不是独立地优化各个子序列。这种设计体现了 HAD-ENF 框架的自适应内部模型选择机制。

相应地,该阶段被设计为一个自适应且稀疏感知(sparsity-aware)的选择过程,在此过程中,根据预测器对最终集合预测性能的贡献来保留信息量丰富的预测器并抑制信息量不足的预测器。重要的是,该设计允许每个分解子序列根据数据特征和预测相关性,关联零个、一个或多个预测器。这种灵活性使本文提出的框架区别于强制固定一对一对应关系的传统方法。为实现这一自适应预测器选择策略,采用 LASSO 作为嵌入式选择工具。LASSO 在回归目标中引入 L1 范数正则化项,鼓励系数向量稀疏,从而自动排除贡献微乎其微的预测器。在本框架中,预测器输出被视为候选解释变量,并施加稀疏性以识别紧凑且有信息量的预测器子集,供后续集合聚合使用。自适应预测器选择问题可表述为以下带正则化的优化问题:
$$J(w) = \sum_{i=1}^{m} \left( y_i - \sum_{j=1}^{n} w_j x_{ij} \right)^2 + \lambda \sum_{j=1}^{n} |w_j| \tag{22}$$
其中,$m$ 和 $n$ 分别为样本总数和预测器数量,$w$ 为回归系数向量,$x$ 为特征矩阵,$y_i$ 为样本真值,$\lambda$ 控制系数收缩程度并决定所选预测器集合的稀疏性。

在实现过程中,四种基础预测器(ARIMA、LSSVM、ELM 和 LSTM)使用 720 个训练观测值分别对三种 SVMD 模式进行训练。随后,利用它们对后续 135 个验证观测值的预测结果进行基于 LASSO 的预测器选择。具体而言,ARIMA、LSSVM、ELM 和 LSTM 独立应用于每种 SVMD 模式,生成 12 个候选预测器输出。这些预测构成一个 135 × 12 的候选预测器输出矩阵,其中每一行代表一个验证观测值,每一列对应一个特定模式的候选预测器输出。正则化参数 $\lambda$ 通过交叉验证并采用“一标准误”规则进行选择。在所选 $\lambda$ 下系数非零的候选预测器被保留为后续 TCN 聚合模块的输入。最后 45 个观测值仅保留用于样本外评估,不参与基础预测器训练、正则化参数选择、预测器筛选或 TCN 训练。通过该阶段,前一阶段生成的异质性预测视角被过滤,形成一个紧凑且具信息量的预测器子集,随后将其传递至时间非线性集合聚合阶段以产生最终预测结果。

## 2.5 时间非线性集合聚合

在提出的 HAD-ENF 框架中,时间非线性集合聚合阶段旨在以时间一致且非线性的方式整合自适应选择的预测器,从而将自适应选择的预测信息转化为最终预测输出。在自适应预测器选择之后,保留下来的预测器提供了多个按时间顺序排列的预测输出,而非独立的静态估计。因此,需要一个时间非线性聚合机制,以因果一致且动态自适应的方式将这些顺序预测信号进行适当组合。

相应地,采用基于 TCN 的集合聚合机制,在保留时间顺序的同时建模预测器输出之间的非线性交互作用,而静态或线性聚合方案无法充分捕捉此类关系。TCN 架构最初由 Lea 等人(2017)提出,通过将因果性施加于序列数据并实现灵活的时间感受野,将传统卷积神经网络扩展至序列数据。在本文提出的框架中,TCN 不作为端到端预测模型使用,而是作为对已评估其相关性的预测器输出进行聚合处理的层级。

TCN 集合聚合结构包含三个关键组件:

(1)因果卷积通过适当填充输入序列来解决传统 CNN 中的未来信息泄漏问题,确保输出序列的每个元素仅受该时刻及之前输入的影响,从而保持因果性。公式定义如下:
$$y_t = \sum_{i=0}^{k-1} w_i x_{t-i} + b \tag{23}$$
其中,$x_{t-i}$ 表示时间 $t$ 之前 $i$ 个时间步的输入,$w_i$ 为卷积核权重,$b$ 为偏置项,$k$ 为卷积核宽度。

(2)空洞卷积在不增加卷积核参数数量的情况下扩大感受野,使网络能够捕捉更长距离的依赖关系。公式可定义为:
$$y_t = \sum_{i=0}^{k-1} w_i x_{t-d \times i} + b \tag{24}$$
其中,$d$ 为膨胀率,决定卷积核元素之间的间隔。

(3)残差连接通过将浅层特征图加到深层来解决多层 TCN 训练中的梯度消失问题。此外,采用 1×1 卷积确保残差块中的两层可以相加。公式可定义为:
$$O_l = O_{l-1} + F(O_{l-1}; W_l) \tag{25}$$
其中,$F(O_{l-1}; W_l)$ 表示第 $l$ 层的卷积操作及其非线性激活函数,$O_{l-1}$ 和 $O_l$ 分别为第 $l-1$ 层和第 $l$ 层的输出。

通过因果卷积、空洞卷积和残差连接的协同作用,本文提出的集合聚合阶段以非线性和时间一致的方式整合所选预测器。这种设计使框架能够同时生成点预测和预测区间,从而支持波动市场条件下的预测与风险分析。

**点预测**:LASSO 保留的预测器输出被用作点预测 TCN 的输入。设 $z_t = [z_{1,t}, z_{2,t}, \dots, z_{K,t}]^T$ 表示时间 $t$ 时 $K$ 个所选预测器的输出。观测到的原油价格 $y_t$ 被用作回归目标,最终点预测表示为:
$$\hat{y}_t = f_{PTCN}(z_t) \tag{26}$$
其中,$f_{PTCN}(\cdot)$ 表示点预测 TCN 学习到的非线性聚合映射,$\hat{y}_t$ 表示时间 $t$ 的最终原油价格预测。使用一个具有单个输出节点的全连接层,将 TCN 提取的特征转化为最终的点预测结果。

**区间预测**:为将非线性聚合机制扩展至区间预测,最终的 TCN 被重构为双输出回归网络。对于给定的相对半宽度系数 $\alpha$,基于观测到的原油价格构建下限和上限训练目标为:
$$L_{target} = (1-\alpha)y_t$$
$$U_{target} = (1+\alpha)y_t$$
其中,$y_t$ 表示观测到的原油价格,$L_{target}$ 和 $U_{target}$ 分别为下限和上限训练目标。等价地,二维区间目标可表示为:
$$y_{It} = \begin{bmatrix} L_{target} \\ U_{target} \end{bmatrix} = \begin{bmatrix} (1-\alpha)y_t \\ (1+\alpha)y_t \end{bmatrix}$$
以所选预测器输出向量 $z_t$ 作为输入,区间预测 TCN 学习预测器输出与两个区间边界目标之间的非线性映射。区间预测过程表示为:
$$\begin{bmatrix} \hat{L}_t \\ \hat{U}_t \end{bmatrix} = f_{ITCN}(z_t) \tag{27}$$
其中,$f_{ITCN}(\cdot)$ 表示区间预测 TCN 学习到的非线性聚合映射,$\hat{L}_t$ 和 $\hat{U}_t$ 分别表示预测的下限和上限。最终全连接层包含两个输出节点,使模型能够同时生成两个区间边界。在本研究中,$\alpha \in \{0.01, 0.05, 0.10\}$,分别对应 ±1%、±5% 和 ±10% 的相对半宽度设置。此处,$\alpha$ 控制区间宽度,并不代表名义误覆盖概率或置信水平。较大的 $\alpha$ 值产生更宽的区间目标,可能会提高实际覆盖率,但会降低区间的锐度。因此,联合使用 FICP、FINAW 和 AIS 来评估所生成预测区间的覆盖性、宽度和整体质量。

图 1 中的第五阶段提供了基于 TCN 的聚合通用示意图,而以下实现细节则指定了本研究采用的 TCN 架构。点预测和区间预测模型共享相同的 TCN 骨干网络。135 个验证观测值对应的所选预测器输出被用于训练聚合模型,输入维度由 LASSO 为每个数据集保留的预测器数量决定。TCN 包含一个残差块和五个卷积通道。残差块由两个一维因果卷积层组成,每层卷积核大小为 3,膨胀因子为 1。每个卷积层后接层归一化和空间 Dropout,而在第二次层归一化操作后应用 ReLU 激活函数。空间 Dropout 率设置为 0.1。跳跃连接中采用一维卷积(卷积核大小为 1)来对齐原始输入与提取到的时间特征的通道维度。两个网络均使用 Adam 优化器进行训练,最多训练 800 个轮次。点预测 TCN 的初始学习率设为 0.05,区间预测 TCN 设为 0.10。点预测模型使用一个全连接层(一个输出节点)后接回归层,而区间预测模型使用一个全连接层(两个输出节点)后接回归层。

## 3. 性能评估

为评估所提出 HAD-ENF 框架的预测性能,采用了一套全面的评价指标,涵盖点预测精度和区间预测性能。对于点预测评估,采用五种广泛使用的精度指标,包括平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、Theil U1 统计量和 Theil U2 统计量。对于区间预测评估,考虑三个性能指标,即预测区间覆盖率(FICP)、预测区间标准化平均宽度(FINAW)和平均区间得分(AIS)。所有评价指标的数学定义总结于表 2 中。

- **MAE** 衡量预测值与观测值之间绝对差异的平均幅度。通过对所有误差赋予相同权重,MAE 提供了直观且稳健的整体点预测精度评估。
- **RMSE** 定义为均方预测误差的平方根。由于平方操作,RMSE 对较大偏差给予更大惩罚,使其对显著预测误差更为敏感。
- **MAPE** 评估预测值与实际值之间的平均绝对百分比偏差,以相对形式表达预测误差,便于在不同尺度数据集之间进行比较。
- **Theil U1** 统计量提供了点预测精度的归一化度量,值越接近零表明预测性能越优。
- **Theil U2** 统计量将所评估框架的预测性能与简单基准模型进行比较。U2 等于 1 表示性能相当,小于 1 表示所评估框架性能更优,大于 1 则表明基准模型表现更好。
- **FICP** 量化落入预测区间内的观测值百分比,反映实际覆盖率。然而,较高的 FICP 值并不一定意味着更好的区间预测性能,因为它可能通过过宽区间来实现。
- **FINAW** 衡量预测区间的平均宽度,并用目标值范围进行归一化,从而反映区间的相对锐度。
- **AIS** 通过同时考虑区间锐度和覆盖不足,联合评估区间宽度和覆盖情况。

与传统的非负区间分数不同,本研究采用的AIS公式遵循负向符号约定,即较大的惩罚由更负的值来表示。因此,AIS值越接近零,说明区间预测性能越好。表2. 评价指标。指标,公式,MAE,????????=1???∑????=1∣??????????∣,RMSE,???????????=√1???∑????=1(??????????)2,MAPE,???????????=1???∑????=1∣??????????????∣×100%,U1,???1=√∑????=1(??????????)2/??√∑????=1????2/??+√∑????=1?????2/??,U2,???2=√1???∑???1??=1(????+1??????+1????)2√1???∑???1??=1(????+1?????????)2,FICP,???????????=1???∑????=1????×100%,?????={?1,????∈[???????,???????]0,??????????????????????},FINAW,??????????????=1??????∑????=1(???????????????),AIS,????????=1???∑????=1????,?????={??2????(???????????????)?4?(????????????),???????????}注:????和?????分别代表实际值和预测值;??为目标值范围;??????和??????分别表示区间预测的上界和下界。4. 实验与分析本节展示了一系列旨在系统评估所提出的HAD-ENF框架预测性能的实证实验。具体而言,实验I分析了自适应预测器选择阶段的结果,说明了在不同数据条件下预测视角是如何被筛选的。实验II至IV通过与基准模型在多个数据集上的综合比较,评估了所提出框架的点预测性能。实验V重点关注区间预测性能,评估预测区间的覆盖率、锐度以及整体质量,以表征原油价格波动的不确定性。4.1. 实验I:自适应预测器选择结果实验I旨在检验自适应预测器选择阶段在不同数据条件下的行为,说明异质性预测视角是如何根据其贡献被筛选,以反映其对最终集成预测性能的影响。三个数据集的自适应选择结果报告在表3中。表3. 不同数据集的预测器选择结果。模式,数据集A,数据集B,数据集C,模式1,ELM,ELM、LSTM,ELM、LSTM,模式2,ELM、ARIMA、LSTM,ELM、ARIMA、LSTM,ARIMA、LSTM,模式3,ELM、LSTM,ELM、ARIMA、LSSVM,ELM、LSTM。对于所有数据集,结构一致的数据表示阶段将原始原油价格序列分解为三个子序列,分别记为模式1、模式2和模式3。模式的数量由停止准则自适应确定,最终每个数据集均获得三个模式。自适应预测器选择结果表明,不同子序列保留了不同的预测器,反映了底层数据结构的异质性。更具体地说,选择结果显示,没有任何单一预测器在所有子序列中都被一致选中。例如,在数据集A中,模式1仅保留ELM作为唯一有效预测器,模式2保留了三个预测器(ELM、ARIMA和LSTM),而模式3保留了ELM和LSTM。这种可变性表明不同子序列倾向于不同的建模视角,且多个预测器可能同时为同一子序列提供互补的预测信息。此外,对于同一子序列,不同数据集所保留的预测器类型和数量各不相同。这一观察表明预测器的相关性是数据依赖的,并且在具有不同原油价格特征的数据集之间存在差异。这种行为凸显了固定模型分配策略的局限性,并强调了在面对非平稳且不断演变的原油价格动态时,自适应选择的重要性。总体而言,实验I的结果表明,自适应预测器选择阶段并未强制建立子序列与预测器之间的一对一对应关系。相反,它在跨子序列和数据集中灵活地识别出信息丰富的预测器,为后续的时序集成聚合提供了动态且数据驱动的基准。4.2. 实验II:与单个预测器的比较实验II旨在通过与异质性预测器生成阶段所使用的单个预测器进行比较,检验所提出的HAD-ENF框架的有效性。具体而言,该框架与四个独立预测器进行了比较,即ARIMA、LSSVM、ELM和LSTM,它们分别代表了不同的统计学、机器学习和深度学习视角。预测结果总结在图2和表4中,每个指标的最佳表现值以粗体突出显示。分析的重点是识别不同数据集之间的性能模式,而非强调孤立的数值优势。(1)比较结果表明,在三个数据集的所有评价指标下,所提出的框架始终取得了比单个预测器更低的预测误差。这一观察表明,通过自适应选择和时序集成聚合来整合多种预测视角,能够有效提高点预测精度,相比之下,依赖任何单一预测器则无法达到相同效果。例如,在数据集A中,所提出的框架的MAPE值为0.068347%,远低于四个单个预测器获得的数值。(2)进一步检查结果发现,表现最佳的单个预测器在不同数据集之间有所不同。在数据集B中,ELM在MAE、RMSE、MAPE和U1中取得了单个预测器中的最低值,而LSTM获得了最低的U2值。相比之下,对于数据集C,LSSVM在全部五个指标中均提供了四个单个预测器中的最佳性能。这些结果表明,没有任何单个预测器能在具有不同数据特征的被评估数据集上始终保持主导地位。下载:下载高分辨率图片(647KB)下载:下载全尺寸图片。图2. 所提出的HAD-ENF框架与单个预测器的预测性能比较。表4. 所提出的HAD-ENF框架与单个预测器的预测性能比较。数据集A:MAPE(%)—ELM:1.093302,ARIMA:1.092575,LSTM:1.263483,LSSVM:1.090915,HAD-ENF:0.068347;MAE—ELM:0.895140,ARIMA:0.893315,LSTM:1.033721,LSSVM:0.893240,HAD-ENF:0.055275;RMSE—ELM:1.045760,ARIMA:1.092853,LSTM:1.299959,LSSVM:1.060901,HAD-ENF:0.070700;U1—ELM:0.006372,ARIMA:0.006657,LSTM:0.007927,LSSVM:0.006467,HAD-ENF:0.000431;U2—ELM:0.687529,ARIMA:0.669108,LSTM:0.781037,LSSVM:0.680941,HAD-ENF:0.067353。数据集B:MAPE(%)—ELM:1.430162,ARIMA:1.655075,LSTM:1.670076,LSSVM:1.590972,HAD-ENF:0.168832;MAE—ELM:1.280270,ARIMA:1.486670,LSTM:1.502942,LSSVM:1.427841,HAD-ENF:0.152664;RMSE—ELM:1.829348,ARIMA:2.067630,LSTM:2.008434,LSSVM:1.939725,HAD-ENF:0.203241;U1—ELM:0.010102,ARIMA:0.011427,LSTM:0.011102,LSSVM:0.010722,HAD-ENF:0.001123;U2—ELM:0.731462,ARIMA:0.775989,LSTM:0.730674,LSSVM:0.757242,HAD-ENF:0.106987。数据集C:MAPE(%)—ELM:1.732160,ARIMA:1.699697,LSTM:1.745760,LSSVM:1.583437,HAD-ENF:0.090952;MAE—ELM:1.373018,ARIMA:1.351932,LSTM:1.380696,LSSVM:1.255773,HAD-ENF:0.072518;RMSE—ELM:1.719773,ARIMA:1.752358,LSTM:1.745628,LSSVM:1.601748,HAD-ENF:0.093049;U1—ELM:0.010767,ARIMA:0.010998,LSTM:0.010913,LSSVM:0.010041,HAD-ENF:0.000584;U2—ELM:0.672168,ARIMA:0.684307,LSTM:0.678535,LSSVM:0.659752,HAD-ENF:0.054107。总体而言,实验II的发现凸显了依赖单一建模视角进行原油价格预测的局限性。单个预测器性能在不同数据集之间观察到的可变性强调了自适应整合异质性预测信息的重要性。通过协调预测器生成、自适应选择和时序非线性聚合,所提出的框架相较于独立预测器提供了更加稳健和可靠的预测方法。4.3. 实验III:与典型集成方法的比较实验III旨在通过与基于分解的预测研究中常用的静态规则基于(SRB)集成范式进行比较,检验所提出的HAD-ENF框架的有效性。本实验的目的是评估自适应预测器选择和时序非线性聚合能否相较于使用固定预测器分配和等权聚合构建的集成策略提供优势。一些典型的集成预测方法基于预定义且静态的集成规则。在这类方法中,相同的预测器可能被分配给所有分解后的子序列,最终预测结果可能通过以等权重聚合子序列预测来获得。这些集成配置通常根据先验经验或经验测试确定,并未显式考虑子序列间的数据异质性或各个预测器对最终集成预测性能的贡献。为构建具有代表性的基准集成模型,本实验考虑了四种SRB集成方法。每个基准集成使用一个独立预测器——ELM、ARIMA、LSTM或LSSVM——来预测所有子序列,对应的子序列预测通过简单的等权加法聚合方案进行组合。基于所采用的预测器,这些基准集成方法分别被记为SRB-ELM、SRB-ARIMA、SRB-LSTM和SRB-LSSVM。所提出框架与四种基准集成方法的点预测结果总结在图3和表5中。(1)比较结果表明,在所提出的框架在所有数据集上始终取得了比四种SRB集成方法更低的预测误差。例如,在数据集B中,SRB-ELM集成取得了MAPE、MAE、RMSE、U1和U2值分别为0.210728%、0.190864、0.238224、0.001317和0.129924。相比之下,所提出的框架取得了相应的更低值:0.168832%(MAPE)、0.152664(MAE)、0.203241(RMSE)、0.001123(U1)和0.106987(U2)。这一观察表明,通过自适应选择和时序非线性聚合整合异质性预测视角,能够提高预测精度,超越使用静态集成规则所达到的水平。(2)进一步分析表明,SRB集成方法的相对性能在不同数据集之间有所变化。具体而言,SRB-ELM在数据集A和B中取得了四个基准集成中的最佳结果,而SRB-LSTM在数据集C中表现最佳。这种可变性表明,在静态预测器分配下的集成性能仍然对所选预测器类型高度敏感。相比之下,所提出的框架不依赖单一预测器,而是自适应地整合多种预测视角,从而降低了对任何单个模型的依赖,增强了在不同数据条件下的稳健性。下载:下载高分辨率图片(728KB)下载:下载全尺寸图片。图3. 所提出的HAD-ENF框架与SRB集成方法的预测性能比较。表5. 所提出的HAD-ENF框架与SRB集成方法的预测性能比较。数据集A:MAPE(%)—SRB-ELM:0.141334,SRB-ARIMA:0.218767,SRB-LSTM:0.168545,SRB-LSSVM:0.242143,HAD-ENF:0.068347;MAE—SRB-ELM:0.115626,SRB-ARIMA:0.178566,SRB-LSTM:0.138306,SRB-LSSVM:0.197439,HAD-ENF:0.055275;RMSE—SRB-ELM:0.145793,SRB-ARIMA:0.226323,SRB-LSTM:0.166510,SRB-LSSVM:0.249604,HAD-ENF:0.070700;U1—SRB-ELM:0.000888,SRB-ARIMA:0.001378,SRB-LSTM:0.001014,SRB-LSSVM:0.001520,HAD-ENF:0.000431;U2—SRB-ELM:0.139373,SRB-ARIMA:0.226704,SRB-LSTM:0.155331,SRB-LSSVM:0.218740,HAD-ENF:0.067353。数据集B:MAPE(%)—SRB-ELM:0.210728,SRB-ARIMA:0.382580,SRB-LSTM:0.327900,SRB-LSSVM:0.477499,HAD-ENF:0.168832;MAE—SRB-ELM:0.190864,SRB-ARIMA:0.344119,SRB-LSTM:0.294953,SRB-LSSVM:0.430315,HAD-ENF:0.152664;RMSE—SRB-ELM:0.238224,SRB-ARIMA:0.431123,SRB-LSTM:0.358519,SRB-LSSVM:0.667084,HAD-ENF:0.203241;U1—SRB-ELM:0.001317,SRB-ARIMA:0.002383,SRB-LSTM:0.001983,SRB-LSSVM:0.003687,HAD-ENF:0.001123;U2—SRB-ELM:0.129924,SRB-ARIMA:0.235893,SRB-LSTM:0.176875,SRB-LSSVM:0.383784,HAD-ENF:0.106987。数据集C:MAPE(%)—SRB-ELM:0.250192,SRB-ARIMA:0.358858,SRB-LSTM:0.227749,SRB-LSSVM:0.449413,HAD-ENF:0.090952;MAE—SRB-ELM:0.200029,SRB-ARIMA:0.288039,SRB-LSTM:0.181262,SRB-LSSVM:0.354860,HAD-ENF:0.072518;RMSE—SRB-ELM:0.241927,SRB-ARIMA:0.350563,SRB-LSTM:0.213876,SRB-LSSVM:0.439111,HAD-ENF:0.093049;U1—SRB-ELM:0.001518,SRB-ARIMA:0.002200,SRB-LSTM:0.001341,SRB-LSSVM:0.002753,HAD-ENF:0.000584;U2—SRB-ELM:0.139851,SRB-ARIMA:0.195728,SRB-LSTM:0.121358,SRB-LSSVM:0.234573,HAD-ENF:0.054107。总体而言,实验III的结果凸显了SRB集成范式在捕捉异质性和不断演变的原油价格动态方面的局限性。通过引入自适应预测器选择和时序非线性聚合,所提出的框架为原油价格预测提供了一种更加灵活和可靠的集成方法。4.4. 实验IV:与优化驱动和堆叠式集成范式的比较实验IV旨在进一步通过与当前最先进的(SOTA)预测研究中广泛采用的两类代表性集成范式进行比较,评估所提出的HAD-ENF框架的有效性。这些比较模型超越了简单的加法聚合,反映了集成预测研究中的当前主流方向。第一类是优化驱动的加权线性集成范式,其中分配给子序列预测器的权重由优化算法确定,而非由固定规则确定。在本实验中也,采用多目标优化策略来构建一种基于多目标优化的加权线性集成,记为MOO-WLE。该范式旨在通过为各个预测器分配不同权重来同时平衡多个预测目标。第二类包括堆叠式非线性集成范式,其中训练一个元学习器来整合基础预测器的输出。使用ELM、LSTM和LSSVM作为元学习器,分别构建三种代表性的非线性堆叠集成,记为NLSE-ELM、NLSE-LSTM和NLSE-LSSVM。表6和图4中报告的结果进一步证明了所提出的预测框架相较于优化驱动的加权线性集成和堆叠式非线性集成范式的优势。(1)对于数据集A和B,优化驱动集成MOO-WLE在比较模型中取得了相对有竞争力的性能。具体而言,在数据集A中,MOO-WLE的MAPE为0.069957%,RMSE为0.071346,接近但仍高于所提出框架取得的相应值(分别为0.068347%和0.070700)。在数据集B中也观察到了类似的模式,其中MOO-WLE的MAPE为0.321429%,RMSE为0.380298,而所提出的框架将这些误差进一步降低至0.168832%和0.203241。这些结果表明,虽然优化驱动的线性集成可以部分提高预测性能,但其有效性仍然受到线性聚合假设的限制。(2)对于堆叠式非线性集成范式,性能在不同数据集之间的变化更为显著。在数据集C中,NLSE-ELM模型在堆叠式模型中取得了最佳性能,MAPE为0.167286%,RMSE为0.156066。然而,这些误差仍显著高于所提出的框架取得的值,后者MAPE为0.090952%,RMSE为0.093049。相比之下,NLSE-LSTM和NLSE-LSSVM在大多数数据集上表现出更大的预测误差,在数据集C中的MAPE超过0.65%。这表明传统堆叠式模型的性能可能不如所提出的框架稳健。表6. 所提出的HAD-ENF框架与优化驱动和堆叠式集成范式的预测性能比较。数据集A:MAPE(%)—MOO-WLE:0.069957,NLSE-ELM:0.104290,NLSE-LSTM:0.547942,NLSE-LSSVM:0.584867,HAD-ENF:0.068347;MAE—MOO-WLE:0.056415,NLSE-ELM:0.085380,NLSE-LSTM:0.449526,NLSE-LSSVM:0.571792,HAD-ENF:0.055275;RMSE—MOO-WLE:0.071346,NLSE-ELM:0.106700,NLSE-LSTM:0.551183,NLSE-LSSVM:0.479352,HAD-ENF:0.070700;U1—MOO-WLE:0.000439,NLSE-ELM:0.000650,NLSE-LSTM:0.003358,NLSE-LSSVM:0.003484,HAD-ENF:0.000431;U2—MOO-WLE:0.141200,NLSE-ELM:0.101947,NLSE-LSTM:0.582146,NLSE-LSSVM:0.681111,HAD-ENF:0.067353。数据集B:MAPE(%)—MOO-WLE:0.321429,NLSE-ELM:1.491010,NLSE-LSTM:0.679191,NLSE-LSSVM:1.302426,HAD-ENF:0.168832;MAE—MOO-WLE:0.292296,NLSE-ELM:1.370268,NLSE-LSTM:0.768373,NLSE-LSSVM:1.537386,HAD-ENF:0.152664;RMSE—MOO-WLE:0.380298,NLSE-ELM:1.560415,NLSE-LSTM:0.615327,NLSE-LSSVM:1.168586,HAD-ENF:0.203241;U1—MOO-WLE:0.002102,NLSE-ELM:0.008691,NLSE-LSTM:0.004259,NLSE-LSSVM:0.008502,HAD-ENF:0.001123;U2—MOO-WLE:0.328054,NLSE-ELM:0.696325,NLSE-LSTM:0.444718,NLSE-LSSVM:0.776655,HAD-ENF:0.106987。数据集C:MAPE(%)—MOO-WLE:0.282701,NLSE-ELM:0.167286,NLSE-LSTM:0.657086,NLSE-LSSVM:1.081688,HAD-ENF:0.090952;MAE—MOO-WLE:0.226427,NLSE-ELM:0.132484,NLSE-LSTM:0.520658,NLSE-LSSVM:1.068172,HAD-ENF:0.072518;RMSE—MOO-WLE:0.281271,NLSE-ELM:0.156066,NLSE-LSTM:0.628518,NLSE-LSSVM:0.857473,HAD-ENF:0.093049;U1—MOO-WLE:0.001765,NLSE-ELM:0.000979,NLSE-LSTM:0.003941,NLSE-LSSVM:0.006698,HAD-ENF:0.000584;U2—MOO-WLE:0.360011,NLSE-ELM:0.087732,NLSE-LSTM:0.398065,NLSE-LSSVM:0.750540,HAD-ENF:0.054107。下载:下载高分辨率图片(637KB)下载:下载全尺寸图片。图4. 与优化驱动和堆叠式集成范式的预测性能比较。总体而言,数值证据表明,无论是优化驱动的加权线性集成还是传统的堆叠式非线性集成,都无法在不同数据集上始终保持较强的性能。相比之下,所提出的框架通过自适应预测器选择和时序非线性聚合,在评估的数据集上取得了更低的误差水平和更稳健的性能。4.5. 实验V:区间预测性能与点预测相比,区间预测提供了关于预测不确定性和潜在风险的额外信息,对决策制定很有用(Wang等人,2022)。基于第2.5节中描述的区间预测流程,实验V评估了所提出的HAD-ENF框架在三种相对半宽系数下的区间预测性能。在本研究中,α被设置为0.01、0.05和0.10。较大的α值产生更宽的区间目标,这可能会增加经验覆盖率,但也可能降低区间的锐度。所提出框架的区间预测性能报告在表7中。较大的FICP值表明更高的经验覆盖率,但仅凭高覆盖率并不一定意味着整体区间预测性能更好。较低的FINAW值表明更窄且更锐利的预测区间。由于α控制的是相对区间宽度而非名义失覆盖率,因此生成的区间被解释为经验预测区间,而非正式校准的预测区间。相应地,报告的FICP值代表在45个测试观测上的经验覆盖率,不应被解释为概率校准的证据。关于AIS,与传统的非负区间分数不同,所采用的AIS公式遵循负向符号约定,其中更负的AIS值表明与更宽的区间或预测区间外的观测值相关联的更大惩罚。

因此,在本文采用的公式下,AIS值越接近零,表示区间预测性能越好。

表7. 所提出HAD-ENF框架的区间预测性能。

| 数据集 | α | FICP (%) | FINAW | AIS |
|--------|------|----------|--------|----------|
| A | 0.01 | 100 | 0.120709 | ?0.032640 |
| A | 0.05 | 100 | 0.606485 | ?0.819969 |
| A | 0.10 | 100 | 1.212893 | ?3.279662 |
| B | 0.01 | 100 | 0.146159 | ?0.036481 |
| B | 0.05 | 100 | 0.726736 | ?0.906967 |
| B | 0.10 | 100 | 1.449711 | ?3.618480 |
| C | 0.01 | 100 | 0.116881 | ?0.031815 |
| C | 0.05 | 100 | 0.586065 | ?0.797635 |
| C | 0.10 | 100 | 1.167540 | ?3.178043 |

表7的结果表明,所生成的预测区间在所有评估数据集和所有α值下均获得了完全的实证覆盖率,所有报告案例中的FICP值均为100。这表明每个测试期的全部45个观测值都被生成的预测区间所覆盖。然而,仅凭完全覆盖不应被视为区间预测性能优越的充分证据,因为过宽的区间同样可能产生完全覆盖。因此,FICP与FINAW和AIS联合解释,以评估区间覆盖率、锐度和整体预测质量。随着α从0.01增加到0.10,所有三个数据集的FINAW均大幅增加,表明更大的相对半宽系数生成了更宽的预测区间。与此同时,在本文采用的符号约定下,AIS逐渐变得更负。由于FICP始终保持在100不变,增加α并不能进一步提高实证覆盖率,但会降低区间锐度,并导致根据AIS评估的更差的区间质量。在三个设置中,α=0.01在所有数据集中产生了最低的FINAW值和最接近零的AIS值,表明在保持完全实证覆盖率的同时,具有最佳的区间预测性能。

总体而言,实验V的结果表明,所生成的预测区间在45个观测值的测试期内获得了完全的经验覆盖率。在所评估的相对半宽设置中,α=0.01在保持完全经验覆盖率的同时,提供了最佳的区间锐度和整体区间质量。通过同时提供点预测和区间预测,所提出的框架为不确定性下的原油价格分析提供了更全面的信息。

5. 讨论:自适应预测器选择策略的优势

所提出的HAD-ENF框架的一个显著特征在于其自适应预测器选择策略,该策略旨在增强完整集成系统的最终预测性能,而非孤立地优化各个子序列。为了阐明该策略的方法论创新性和实用价值,有必要将其与从不同角度解决主观模型分配局限性的代表性SOTA模型选择方法进行对比。在近期的集成预测研究中,两种广泛使用的SOTA范式已成为客观模型选择的竞争方法,它们构成本节所讨论的竞争方法。

竞争方法1:基于综合指标的精度驱动最优模型选择(OMS)。第一种竞争方法遵循精度驱动的最优模型选择范式,根据综合评价指标为每个分解后的子序列分配一个最优预测器。该范式通过整合多种精度指标形成统一评估准则,代表了一种缓解预测器选择主观性的常用客观解决方案。在本研究中,通过整合五个点预测指标——包括MAPE、MAE、RMSE、U1和U2——构建了一个综合指标,记为MMRUU。OMS程序可总结为如下步骤:

步骤1:对于每个候选模型,在验证数据集上获得预测结果,并计算五项评价指标(MAPE、MAE、RMSE、U1和U2)。

步骤2:根据公式(28)对指标值进行归一化:

$$Index^*_t = \frac{Index_t - \min_{1 \leq t \leq n}(Index)}{\max_{1 \leq t \leq n}(Index) - \min_{1 \leq t \leq n}(Index)}$$

步骤3:对于第t个模型,综合指标MMRUU可定义为:

$$MMRUU_t = \left[\frac{MAPE^*_t + MAE^*_t + RMSE^*_t + U1^*_t + U2^*_t}{5}\right] \times 100\%$$

步骤4:对于每个子序列,选择MMRUU值最小的预测器作为最优模型用于预测。

按照其构建方式,OMS专注于根据验证精度为每个子序列确定表现最佳的模型,从而消除模型分配中的主观干预。

竞争方法2:基于集成学习的数据驱动模型选择。第二种竞争方法采用基于集成学习的数据驱动模型选择范式,通过特征重要性估计推断模型相关性。具体而言,采用基于随机森林的选择(RFS)策略来评估每个候选预测器的预测重要性(Svetnik等人,2003)。该范式代表了另一种常用于客观预测器选择的数据驱动方向。与OMS不同,RFS不直接根据预定义的评价指标对预测器进行排名,而是根据从数据中学习到的重要性排名选择预测器。

表8报告了使用两种SOTA竞争模型选择策略和所提出自适应预测器选择策略所获得的预测结果。

(1) 结果表明,OMS在所有数据集中始终优于RFS,表明当候选预测器提供异构且可能存在相关性的预测信息时,基于综合指标的精度驱动选择仍然比基于重要性的选择更有效。这一性能差距可能归因于基于随机森林的选择通常保留预定义数量的顶级排名预测器(Xu等人,2025),这引入了隐性的主观程度,且可能与预测器对最终集成预测性能的贡献不一致。

(2) 更重要的是,与两种代表性选择方法相比,所提出的自适应预测器选择策略实现了进一步的改进。例如,在数据集C中,OMS和RFS获得的RMSE值分别为0.095892和0.299224,而所提出的框架将RMSE降低至0.093049。尽管相对于OMS的数值改进较为温和,但该改进在所有数据集和评价指标中均保持一致,表明具有稳定和鲁棒的性能优势。

(3) 从方法论角度来看,这一改进反映了与两种比较策略的一个重要差异。与OMS仅根据局部精度强制执行每个子序列一个模型的约束不同,所提出的策略允许根据每个子序列对整体预测性能的贡献,为零、一个或多个预测器选择进行分配。与RFS不同,保留的预测器数量并非预先定义或启发式固定,而是通过基于稀疏性的选择自适应确定。

表8. 所提出自适应预测器选择策略与代表性预测器选择方法的预测性能比较。

| 数据集 | 指标 | OMS | RFS | HAD-ENF |
|--------|--------|----------|----------|----------|
| A | MAPE(%) | 0.074650 | 0.081498 | 0.068347 |
| A | MAE | 0.060428 | 0.066013 | 0.055275 |
| A | RMSE | 0.074142 | 0.081524 | 0.070700 |
| A | U1 | 0.000452 | 0.000497 | 0.000431 |
| A | U2 | 0.072071 | 0.077483 | 0.067353 |
| B | MAPE(%) | 0.361155 | 0.443789 | 0.168832 |
| B | MAE | 0.325277 | 0.401800 | 0.152664 |
| B | RMSE | 0.421160 | 0.539318 | 0.203241 |
| B | U1 | 0.002328 | 0.002977 | 0.001123 |
| B | U2 | 0.233575 | 0.277566 | 0.106987 |
| C | MAPE(%) | 0.094888 | 0.304397 | 0.090952 |
| C | MAE | 0.075370 | 0.243185 | 0.072518 |
| C | RMSE | 0.095892 | 0.299224 | 0.093049 |
| C | U1 | 0.000590 | 0.001878 | 0.000584 |
| C | U2 | 0.054130 | 0.163120 | 0.054107 |

总体而言,本节讨论表明,所提出的策略通过引入更灵活的自适应策略,扩展了现有的客观预测器选择方法。通过将关注点从孤立的子序列精度或特征重要性排名转向最终集成预测性能,所提出的策略为原油价格集成预测提供了一种新的解决方案。

6. 结论

原油是一种关键战略商品,其价格动态受到市场监管者和投资者的高度关注。然而,由于原油价格具有显著的波动性、非线性和对多样经济和地缘政治因素的敏感性,准确预测原油价格仍然是一个挑战。现有的预测研究通常依赖静态预测器选择和固定集成策略,这些方法可能在特定数据集上表现良好,但当数据特征发生变化时缺乏鲁棒性。为了解决这些局限性,本研究提出了用于原油价格预测的HAD-ENF框架。基于在三个布伦特原油价格数据集上进行的实证实验,所提出的框架展现了强大的点预测性能和生成预测区间的能力。主要结论总结如下:

(1) 开发了一种自适应预测器选择策略,以增强完整集成系统的最终预测性能。与传统的为主观分配模型或为每个子序列客观选择单一最优模型的方法不同,所提出的策略根据各预测器对整体预测精度的贡献,自适应地识别零个、一个或多个有效预测器。该设计使得在不同数据集和子序列上能够灵活选择预测器,且实证分析表明相较于代表性的客观预测器选择方法(包括精度驱动的最优模型选择策略)具有明显优势。

(2) 建立了一种时间非线性集成聚合机制,用于整合自适应选择的预测器。与线性集成方法(如简单等权聚合和基于多目标优化的加权集成)相比,所提出的非线性集成机制展现出更强的捕捉预测器之间复杂依赖关系的能力,从而提升最终预测精度。此外,与所考虑的基于堆叠的非线性集成相比,该方法表现出更稳定的性能,突显了时间非线性聚合的优势。

(3) 异构预测器生成阶段为自适应选择提供了多样化且互补的预测器池。通过纳入具有不同建模假设的预测器——包括统计、机器学习、快速学习和深度学习视角——该框架缓解了依赖单一模型的局限性,并在具有异构特征的数据集上展现了鲁棒性。这种多样性为有效的自适应选择和集成融合奠定了坚实基础。

(4) HAD-ENF框架通过分层设计构建,协调了多个相互依赖的阶段,包括结构一致的数据表示、异构预测器生成、自适应预测器选择和时间非线性集成聚合。通过这些阶段的协同运作,该框架不仅实现了精确的点预测,还生成了预测区间,从而为不确定性下的原油价格分析提供了更全面的预测信息。

本研究聚焦于布伦特原油价格预测,所提出的HAD-ENF框架通过使用三个重建数据集进行了实证验证。因此,所报告的结果不足以证明该框架在所有原油市场和市场条件下都具有普遍泛化能力。未来研究可通过纳入多个原油市场的数据,进一步开发在不同市场间具有更强适应性和泛化能力的预测模型。同时,所提出预测框架的鲁棒性可通过多期验证方案进行进一步评估。此外,预测系统的实时测试可能有助于其实际部署。当前的评估基于具有固定测试期的历史数据集,因此应将其解释为离线样本外评估,而非完全实时预测验证。在实时预测设置下,分解算法和预测模型仅能使用每个预测原点之前可获得的信息进行训练和更新。未来研究可纳入持续到达的市场数据和自适应模型更新机制,开发在线预测框架,并在实时预测场景下进一步评估所提出的框架。

CRediT作者贡献声明

马宗国:写作——审阅与编辑、监督、项目管理、调查、形式分析、概念化。
郝燕:写作——审阅与编辑、原始稿撰写、可视化、方法论、资金获取。
杨文东:写作——审阅与编辑、方法论、资金获取、形式分析、数据管理、概念化。

马宗国 | 郝燕 | 杨文东
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号