[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

说明书

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。

技术领域

本发明属于口粮消费预测技术领域，尤其涉及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。

背景技术

粮食消费量是全国粮食消费量的重要组成部分，数据分析表明，随着社会的进步，科技的发展，我国城镇化水平建设进程的加快，粮食消费量呈现逐年递减的趋势，而且城镇和农村口粮消费趋势有明显差异。目前很多学者提出了像EMM模型法、时间序列外推法、面板数据估计、统计分析与计量分析等方法来粮食消费量预测方法，综述现有的方法，不同的预测方法研究的侧重点不同，预测结果也会有所差异长期预测多采用定性法分析，而短期预测中，建立各种各样的经济预测模型是研究的热点。

发明内容

本发明旨在提供实施方便，预测准确度高的基于插值经验模态分解的人均口粮消费量短期预测方法。

为解决上述技术问题，本发明提供了如下的技术方案：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：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；

(2)对原始数据进行插值运算，使得数据增加为原来的两倍，假设存在原始序列{x_i},(i＝1,2...n)，则线性插值后的序列为{y_i},(i＝1,2...2n-1)，可表示为：

(1)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。

对于一个给定的信号x(t),进行有效的EMD分解步骤如下：

设待分解的信号为x(t)，对其进行EMD的具体步骤为：

(1)确定出信号的所有极大值和极小值。

(2)对其极大值与极小值进行三次样条差值，进而形成上下包络线分别为emax(t)和emint(t)计算上下包络线的均值，记为m(t)。

(3)计算x(t)与m(t)的差值，将该差值记为d(t)，检测d(t)是否满足固有模态函数的两个条件，如果满足，则将d(t)作为第一个固有模态函数，记为c₁(t)；否则对重复上述步骤并检测，直到其满足固有模态的两个条件。