基于连接器与经验模态分解（EMD）的短时间序列预测研究新突破

研究人员针对短时间序列预测难题，开展基于连接器和 EMD 的研究，有效提升预测精度。

　　在当今数据驱动的时代，时间序列预测广泛应用于众多领域，从股票价格的波动预测，帮助投资者把握财富密码；到天气预报，为人们的日常出行和生产活动提供指引；再到交通流量的预估，助力城市交通的高效管理。然而，短时间序列预测却如同隐藏在暗处的 “荆棘”，让研究者们头疼不已。

短时间序列的样本数量有限，就像拼图缺了许多关键碎片，使得经典预测模型难以从中挖掘出完整的规律。简单地将这些短序列拼接成长序列看似是个办法，但实际操作起来却问题重重。不同序列间数值差异大，拼接处就像突兀的 “补丁”，会严重破坏数据的周期性和规律性，让后续的预测结果大打折扣。面对这些困境，研究人员急需找到一种新的方法，来突破短时间序列预测的瓶颈。

吉林大学和长春大学的研究人员勇挑重担，开展了一项关于 “Connector based short time series prediction” 的研究，相关成果发表在《Scientific Reports》上。这项研究意义非凡，它为短时间序列预测提供了新的思路和方法，有望提升预测的准确性，从而为相关领域的决策提供更可靠的依据。

在研究方法上，研究人员采用了多种关键技术。首先是经验模态分解（EMD），这是一种用于处理非线性和非平稳序列的方法，能将序列分解成一系列固有模态函数（IMF）子序列和一个残差，就像是把一团乱麻梳理成一根根整齐的线，帮助提取不同的周期特征。其次，研究人员创新性地引入了两种连接器，即线性插值连接器（LIP）和线性插值与随机振动叠加连接器（LRV），用于解决序列拼接时的不连续问题。此外，数据预处理中的归一化操作也至关重要，包括分别归一化和全局归一化，通过对比来确定最适合的方式。

研究结果主要包括以下几个方面：

• 连接器有效性：通过在 5 个真实世界数据集（如美国月度零售销售数据集 MRTS、股票价格数据集 Stock - D/Stock - W/Stock - M 和社会经济地位得分数据集 SES）上进行实验，使用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）和决定系数（R²）等指标评估。结果发现，在 MRTS 数据集上，LRV 连接器的预测效果优于直接拼接；而在其他四个数据集上，LIP 连接器的表现更优。这表明不同类型的连接器适用于不同特性的数据集，对于具有明显周期性特征的数据集，LRV 连接器能更好地捕捉和保留数据的周期性；对于缺乏明显周期性的数据集，LIP 连接器则更合适12。
• 连接器长度影响：以 MRTS 数据集为例，研究不同长度的连接器对结果的影响。发现连接器过短会导致子序列在相应位置出现高振幅，过长则会增加序列分解的开销。当使用 LIP 连接器时，随着连接序列长度增加，IMF₄中四个连接点与其他区域的振幅差异逐渐减小，s = 80 时基本消除；使用 LRV 连接器时，在 IMF₄中，s = 50 时该差异基本消除。这说明选择合适的连接器长度对于优化预测结果十分关键34。
• 归一化效果：对比了全局归一化和分别归一化两种方式。结果显示，对于 MRTS 和 SES 数据集，除了 SES 数据集在 MAPE 指标上，分别归一化的效果均优于全局归一化。在 MRTS 数据集中，分别归一化后得到的短中期子序列峰值分布更均匀，且网络对其拟合效果更好；而全局归一化在分解后的两个短期规律序列 IMF₁和 IMF₂上出现严重过拟合。这表明分别归一化能更有效地处理多序列数据，减少数据变异性，提高预测准确性56。

研究结论和讨论部分指出，该研究提出的在拼接序列间插入连接器的预处理方法，有效缓解了直接拼接带来的问题，显著提高了预测精度。不过，目前该方法也存在一些局限性，比如缺乏对理想连接器的理论论证，没有系统的标准来评估发现的周期性特征等。但这也为后续研究指明了方向，激励更多科研人员深入探索，进一步完善短时间序列预测的方法。总的来说，这项研究为时间序列预测领域开辟了新的道路，其成果对于推动相关领域的发展具有重要的意义，让我们对未来更精准的时间序列预测充满期待。