[发明专利]一种基于插值经验模态分解的人均口粮消费量短期预测方法

摘要

一种基于插值经验模态分解的人均口粮消费量短期预测方法，该方法依次包括如下步骤：（1）获取原始数据，数据来源为中国统计年鉴；（2）对原始数据进行线性插值；（3）对插值后得到的数据进行EMD分解，得到多个内在模函数和一个趋势项；（4）用ARIMA时间序列模型预测内在模函数，用灰色模型预测趋势项；（5）将预测后得到的内在模函数数值和趋势项数值累加得到最终预测值。该方法对于人均口粮消费的短期预测精度较高，可以对人均口粮的预测提供一种新路径。

主权项

1.一种基于插值经验模态分解的人均口粮消费量短期预测方法，其特征在于：该方法依次包括如下步骤：/n(1)获取原始数据：获取t＝1～n年间城镇人均口粮消费量和农村人均口粮消费量，然后按照城镇和农村的人口比例进行加权平均，得到我国居民人均口粮消费量；/n(2)对原始数据进行插值运算，使得数据增加为原来的两倍，/n(3)把插值序列进行经验模态(EMD)分解，经验模态分解(Empirical ModeDecomposition,EMD)方法的基本原理是将信号中不同特征尺度或趋势逐级分解进而产生有限个固有模态函数(IMF)，分解后的IMF分量体现了原始信号的不同尺度波动成分，因此EMD是一种有效的处理非线性信号的方法。EMD的出发点是把信号内的震荡看作是局部的；实际上，如果我们要看评估信号x(t)的2个相邻极值点之间的变化(2个极小值，分别在t-和t+处)，我们需要定义一个(局部)高频成分{d(t),t-<＝t<＝t+}(局部细节),这个高频成分与震荡相对应，震荡在2个极小值之间并且通过了极大值(肯定出现在2极小值之间)；为了完整这个图形，我们还需要定义一个(局部)低频成分m(t)(局部趋势)，这样x(t)＝m(t)+d(t),(t-<＝t<＝t+)；对于整个信号的所有震动成分，如果我们能够找到合适的方法进行此类分解，这个过程可以应用于所有的局部趋势的残余成分，因此一个信号的构成成分能够通过迭代的方式被抽离出来；/n(4)IMF属于平稳序列，采用时间序列ARIMA模型预测IMF分量；余项属于趋势序列，采用时间序列GM(1,1)模型预测余项；/n2)GM(1,1)模型的基本原理是先对非平稳的原始数据采用累加等预处理，使其变成一个新的序列，新生成得数据强化了原序列的特性规律，降低了序列的随机性；然后根据已建立的新序列的波动特征，建立其相应的预测模型。最后通过对预测数据进行逆运算，恢复原数据序列，从而得到预测结果；/n(5)预测后得到的内在模函数数值和趋势项数值累加得到最终预测值，然后实现去插值运算，获得最终预测值；/nz