相关实验视频
基于模式分解和优化的深度学习综合模型预测中国的航运指数
Yuye Zou1, Yingyu Liu1, Guangnian Xiao1
1College of Economics and Management, Shanghai Maritime University, Shanghai, China.
PloS one
|December 8, 2025
概括
本研究介绍了用于准确预测中国航运指数的VMD-CPSO-BiLSTM模型. 这种混合方法提高了对海事部门趋势的预测.
科学领域:
- 海洋经济学 海洋经济学
- 金融时间序列分析分析
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确预测航运指数对于中国的海事部门至关重要.
- 传统模型与航运数据的非线性和非静止性作斗争.
研究的目的:
- 开发一种创新的混合预测模型VMD-CPSO-BiLSTM,以提高中国航运指数的预测准确度.
- 解决时间序列预测中非线性,非静止性和多尺度特征的挑战.
主要方法:
- 变化模式分解 (VMD) 用于将时间序列分解为内在模式函数 (IMF).
- 混乱粒子群集优化 (CPSO) 优化双向长短期内存 (BiLSTM) 网络参数.
- 整合来自高频和低频组件的预测,以进行全面的预测.
主要成果:
- 与传统的单一深度学习模型和其他混合方法相比,VMD-CPSO-BiLSTM模型表现出更高的性能.
- 该模型有效地捕获了航运指数数据中的非线性和复杂模式.
- 使用中国主要航运指数的实证验证证了该模型的增强预测准确性和稳定性.
结论:
- VMD-CPSO-BiLSTM模型为预测航运市场趋势提供了一个可靠的工具.
- 该模型为海事行业的战略规划和运营管理提供了增强的决策支持.
- 这种方法上的创新对海事经济学和金融时间序列分析作出了重大贡献.
