[论文解读] Forecasting model based on information-granulated GA-SVR and ARIMA for producer price index

Xiangyan Tang, Liang Wang+2 more|arXiv (Cornell University)|Mar 28, 2019

Stock Market Forecasting Methods参考文献 22被引用 3

一句话总结

本文提出了一种新颖的混合预测模型，通过整合模糊信息粒化、遗传算法优化的支持向量回归（GA-SVR）以及ARIMA，以提高生产者价格指数（PPI）预测的准确性。通过预先将PPI数据划分为模糊信息粒，对每个粒化序列分别训练GA-SVR模型，并利用ARIMA对残差进行修正，该模型在实证测试中相较于ARIMA、GRNN和独立的GA-SVR模型展现出更优的预测精度。

ABSTRACT

The accuracy of predicting the Producer Price Index (PPI) plays an indispensable role in government economic work. However, it is difficult to forecast the PPI. In our research, we first propose an unprecedented hybrid model based on fuzzy information granulation that integrates the GA-SVR and ARIMA (Autoregressive Integrated Moving Average Model) models. The fuzzy-information-granulation-based GA-SVR-ARIMA hybrid model is intended to deal with the problem of imprecision in PPI estimation. The proposed model adopts the fuzzy information-granulation algorithm to pre-classification-process monthly training samples of the PPI, and produced three different sequences of fuzzy information granules, whose Support Vector Regression (SVR) machine forecast models were separately established for their Genetic Algorithm (GA) optimization parameters. Finally, the residual errors of the GA-SVR model were rectified through ARIMA modeling, and the PPI estimate was reached. Research shows that the PPI value predicted by this hybrid model is more accurate than that predicted by other models, including ARIMA, GRNN, and GA-SVR, following several comparative experiments. Research also indicates the precision and validation of the PPI prediction of the hybrid model and demonstrates that the model has consistent ability to leverage the forecasting advantage of GA-SVR in non-linear space and of ARIMA in linear space.

研究动机与目标

• 为解决由于数据不精确性和非线性导致的生产者价格指数（PPI）预测精度较低的问题。
• 开发一种混合预测模型，以利用GA-SVR在非线性空间中的优势和ARIMA在线性空间中的优势。
• 通过应用模糊信息粒化对PPI训练数据进行预处理，划分为不同的粒化序列，以提高预测精度。
• 通过在GA-SVR预测结果上使用ARIMA建模对残差进行修正，以减少预测误差。
• 验证所提出的模型在PPI预测中相对于ARIMA、GRNN和GA-SVR等现有模型的一致性和优越性。

提出的方法

• 应用模糊信息粒化，将月度PPI训练数据预先分类为三个不同的模糊信息粒序列。
• 对每个粒化序列分别训练支持向量回归（SVR）模型，并使用遗传算法（GA）优化超参数。
• GA-SVR模型为每个粒化序列生成初始PPI预测，形成多条预测流。
• 提取GA-SVR预测结果与实际PPI值之间的残差，并利用ARIMA对这些残差进行建模，以校正系统性预测偏差。
• 通过聚合所有粒化序列的校正后GA-SVR预测结果，获得最终的PPI预测值。
• 该混合模型整合了非线性建模（GA-SVR）与线性误差校正（ARIMA），以增强整体预测的鲁棒性。

实验结果

研究问题

• RQ1 模糊信息粒化是否能通过减少数据不精确性来提升PPI预测的准确性？
• RQ2 在混合框架中结合GA-SVR与ARIMA是否能产生优于独立模型的PPI预测结果？
• RQ3 通过ARIMA对残差误差进行校正，在多大程度上能提升GA-SVR在PPI预测中的性能？
• RQ4 在多种评估指标下，该模型与ARIMA、GRNN和GA-SVR相比，其预测精度如何？
• RQ5 该混合模型是否能持续发挥非线性建模（GA-SVR）与线性建模（ARIMA）的互补优势，实现PPI预测的优化？

主要发现

• 所提出的GA-SVR-ARIMA混合模型在对比实验中，其预测精度显著高于ARIMA、GRNN和独立的GA-SVR模型。
• 模糊信息粒化的整合显著提升了模型处理PPI时间序列中数据不精确性的能力。
• 利用ARIMA对残差误差进行校正，有效减少了GA-SVR组件产生的系统性预测偏差。
• 该模型在不同数据粒化序列中均表现出一致的性能，表明其在处理多样化PPI模式时具有鲁棒性。
• 该混合方法成功结合了GA-SVR在非线性建模方面的优势与ARIMA在线性误差校正方面的能力，显著增强了整体预测能力。
• 实证结果证实了该模型在预测生产者价格指数方面的有效性与优越精度。