基于EEMD-LASSO-LSTM混合模型的时间序列需求预测方法研究：分解与深度学习的创新融合

针对传统时间序列模型难以捕捉复杂需求波动的问题，研究人员提出了一种结合集成经验模态分解(EEMD)、最小绝对收缩选择算子(LASSO)和长短期记忆网络(LSTM)的混合预测模型。实验表明，该模型在三个行业数据集上平均降低NRMSE达51.2%，显著提升预测精度，为企业在复杂市场环境中提供更可靠的决策支持。

　　

在当今数据驱动的商业环境中，准确预测产品需求是企业优化库存、降低成本和提升竞争力的关键。然而，传统时间序列模型如ARIMA在面对非线性和非平稳的市场需求数据时往往表现不佳，而单一机器学习模型又难以充分捕捉长期依赖关系。这种局限性在快速变化的行业（如医药、包装材料和办公用品）中尤为突出，亟需开发更精准的预测方法。

为应对这一挑战，研究人员开发了一种创新的EEMD-LASSO-LSTM混合模型。该模型通过集成经验模态分解(EEMD)将原始需求数据分解为多个本征模态函数(eIMF)，利用LASSO回归筛选关键特征变量，最后通过长短期记忆网络(LSTM)捕捉时序依赖关系。研究选取韩国三个行业（办公用品、包装材料和医药）的真实需求数据验证模型性能，时间跨度为2018年至2022年。

研究采用了三项核心技术：首先，EEMD通过添加高斯白噪声和多次迭代分解，有效解决了传统EMD的模态混叠问题；其次，LASSO通过L1正则化实现特征选择，降低模型复杂度；最后，LSTM通过门控机制（遗忘门、输入门和输出门）处理长期依赖。实验设置包括100次EEMD迭代、LASSO的α=1，以及针对不同eIMF动态调整的LSTM超参数。

研究结果显示：在分解结果方面，EEMD成功将需求数据分解为10个eIMF和残差项，各分量呈现清晰的频率特征。LASSO特征选择显著减少了变量数量，从初始15个外部变量逐步精简，经济指标和天气因素被证明是关键影响因素。模型性能方面，EEMD-LASSO-LSTM在三个行业的NRMSE分别达到0.719、0.374和0.405，较基准LSTM提升51.2%，R²最高达0.829。对比实验证实，EEMD的引入使ARIMAX和LSTM性能显著提升，而LASSO进一步优化了计算效率。

这项研究的创新性在于首次将EEMD、LASSO和LSTM系统整合，构建了面向复杂需求预测的端到端解决方案。其实际意义体现在三方面：为企业提供更精准的预测工具，尤其适合处理突发性需求波动；通过特征选择增强模型可解释性；跨行业验证证明了方法的普适性。尽管存在计算复杂度较高、对短时序数据适应性有限等挑战，但该研究为时间序列预测领域提供了重要方法论参考，未来可通过模型压缩技术和自适应分解算法进一步优化。论文发表在《Intelligent Oncology》，相关代码已在GitHub开源，促进学术与产业界的应用探索。