基于PSO-CS方法和分解技术的玉米价格预测

《Artificial Intelligence in Geosciences》：PSO-CS approach and decomposition methods for corn prices forecasting

　　

本研究旨在评估通过应用个体模型和集成模型（无论是否采用时间序列分解技术）来预测玉米价格的各种方法。在第一阶段，研究人员应用了四种分解方法：经验小波变换（EWT）、变分模态分解（VMD）、奇异谱分析（SSA）和经验模态分解（EMD）。随后，计算了每种技术的信噪比（SNR），并选择SSA和EMD作为提取相关分量和降低噪声最有效的方法。基于选定的两种分解技术，EMD产生了最有利的预测性能。在此方法下，LightGBM模型的均方根误差（RMSE）为3.27，平均绝对误差（MAE）为2.08，平均绝对百分比误差（MAPE）为0.50%，而XGBoost的RMSE为3.70，MAE为2.41，MAPE为0.58%。在SSA分解下，两种基于树的模型保持了有竞争力的预测性能，尽管预测误差略高。相比之下，全连接网络（FCN）和循环神经网络（RNN）模型在两种分解方法下均表现出较低的预测精度。在后续阶段，研究人员采用PSO-CS优化策略来组合个体预测，其中在EMD下的XGBoost+LightGBM集成实现了最低的预测误差（RMSE=3.20，MAE=2.03，MAPE=0.48%）。总体而言，基于树的模型始终优于神经网络架构，即使在直接对原始时间序列（未分解）进行训练时（MAPE=0.61%），也表现出强大的预测能力和鲁棒性。

**论文解读：基于PSO-CS混合优化与信号分解的玉米价格预测框架**

**研究背景与问题**
农产品价格预测在风险管理、生产规划和政策制定中具有关键作用。玉米作为全球粮食系统和生物燃料的核心原料，其价格波动受结构性突变、非线性动态、季节性和非平稳性等多重因素影响，传统模型（如ARIMA、GARCH）难以准确捕捉此类复杂特征。尽管已有研究引入信号分解技术（如EMD、VMD、SSA）和机器学习模型，但仍存在两大局限：第一，许多模型未能充分处理玉米市场特有的突发结构变化和不规则振荡，导致过拟合或长期稳定性不足；第二，缺乏在同一实验框架下对分解与非分解配置的系统性对比验证，难以分离分解和优化策略的真实贡献。为此，研究人员提出了一种混合预测框架，旨在通过自适应分解与进化优化的结合，提升预测精度和模型稳定性。该论文发表在《Artificial Intelligence in Geosciences》。

**主要关键技术方法**
研究人员使用了以下核心方法：
- **信号分解技术**：经验模态分解（EMD）和奇异谱分析（SSA），依据信噪比（SNR）筛选，用于将原始玉米价格时间序列分解为趋势、周期和噪声分量。
- **机器学习模型**：梯度提升树（XGBoost、LightGBM）以及全连接网络（FCN）和循环神经网络（RNN），分别用于个体预测。
- **混合优化算法**：粒子群优化-布谷鸟搜索（PSO-CS），用于集成模型的权重优化和超参数调优。
数据来源为芝加哥期货交易所（CBOT）1980年1月至2021年8月的玉米期货日收盘价（共10456个观测点），仅保留日期和收盘价变量，输入结构采用7阶滞后特征。

**研究结果**（保留原文小标题）

*6.1. 数据预处理与分解方法应用*
研究人员对原始序列进行清洗、归一化后，应用四种分解方法（EWT、VMD、SSA、EMD）。通过信噪比（SNR）评估，EMD和SSA效果最佳（SNR值分别为31.18和37.79），VMD最低（37.49），因此选定EMD和SSA进行后续建模。

*6.2. 机器学习预测*
在个体预测阶段，基于选定的分解分量，树模型（XGBoost、LightGBM）在所有模式下均优于神经网络（FCN、RNN）。例如，EMD分解下LightGBM在各模式的RMSE均最低（如模式1为9.31，残差为10.98）。集成预测阶段：单个模型对所有分解模式输出进行集成。结果显示，EMD下LightGBM达到RMSE=3.27、MAE=2.08、MAPE=0.50%，XGBoost为RMSE=3.70、MAE=2.41、MAPE=0.58%；SSA下树模型RMSE约4.76。神经网络集成误差较高（RMSE>9.8）。

*6.3. 模型组合与优化*
采用PSO-CS优化权重后，EMD下XGBoost+LightGBM集成取得最佳性能：RMSE=3.20、MAE=2.03、MAPE=0.48%、R²=0.99、NSE=1.00、KGE=0.9845、PBIAS=0.00%。SSA下同集成RMSE=4.68、MAPE=0.71%。Diebold–Mariano检验证实树模型显著优于神经网络，且EMD下XGBoost略优于LightGBM（DM=2.77，p=0.0056）。滚动起源交叉验证（h=1,7,30）进一步确认了集成模型的稳健性。

*6.4. 模型验证*
未分解基线实验中，树模型（XGBoost、LightGBM）MAPE分别为0.63%和0.66%，神经网络（RNN）MAPE高达5.87%。PSO-CS树集成（无分解）MAPE=0.61%。与文献对比（Wang等2022，Zeng等2023），本研究提出的EMD+PSO-CS树集成在RMSE、MAE、MAPE上均表现更优（MAPE=0.48%）。

**讨论与结论**
讨论指出，分解阶段（尤其是EMD和SSA）显著改善了输入信号质量，树模型因对噪声鲁棒性强且能捕捉非线性关系而优于神经网络。PSO-CS混合优化有效平衡了探索与开发，提升了集成性能。该框架具有可迁移性，适用于其他农产品（如水稻、小麦、大豆）的预测。结论部分翻译如下：
结论：研究结果表明，将信号分解技术与机器学习模型相集成的方法是一种可行的玉米价格预测途径。通过信噪比（SNR）对比四种技术（EWT、VMD、SSA、EMD），SSA和EMD在分离相关分量和降噪方面表现更佳。在分解数据上训练的模型通常低于原始时间序列训练的误差。EMD下LightGBM达到RMSE=3.27、MAE=2.08，XGBoost为RMSE=3.70、MAE=2.41；两者集成进一步降至RMSE=3.20、MAE=2.03。未分解树模型RMSE为4.40-4.50，神经网络性能更弱。最佳未分解集成（PSO-CS树）MAPE=0.61%，而EMD分解后MAPE降至0.48%。这些发现初步表明自适应分解与机器学习的结合有助于提升农产品价格预测的精度和稳定性。进一步通过更广泛的时间评估和鲁棒性检验有助于确认结果的泛化能力。实际意义方面，更准确的预测可支持生产者、贸易商和决策者降低价格波动带来的不确定性，优化生产计划、库存管理和风险缓解策略。