原文信息：

A multi-scale method for forecasting oil price with multi-factor search engine data

原文鏈接：

https://www.sciencedirect.com/science/article/pii/S0306261919317209

01

Highlights

• A multi-scale method with search engine data is built to forecast oil price.

• 3 steps are taken: multi-factor data process, multi-scale analysis and prediction.

• Search engine data for diverse oil-related factors is used as powerful predictors.

• Multi-scale relationship between oil price and search engine data is investigated.

• Empirical study verifies its superiority over both popular and similar benchmarks.

02摘要

隨著大數據的蓬勃發展，搜索引擎數據已被引入油價預測研究中(能源系統建模和分析領域中一個研究熱點)，并顯著提高了其預測精度。鑒于不同的搜索引擎數據在不同時間尺度上對油價的影響不同，本文創新性提出了一個多元多尺度的預測方法，以全面剖析油價與各搜索引擎數據間的多元多尺度聯動機制。新方法包括3個主要步驟：(1)多元數據分析，即基于多種統計方法，對高維搜索引擎數據進行降維處理，并檢驗其對石油價格的預測能力；(2)多尺度分析，即基于多元經驗模態分解(MEMD)，提取油價和搜索引擎數據中的同尺度共同因子；(3)價格預測，即基于前沿預測模型，開展分預測(在各尺度上)與集成預測(集成不同尺度結果)以形成最終預測結果。本文以Brent價格為樣本開展了實證研究，結果表明：新方法顯著提高了水平與方向預測精度，相比于傳統預測模型(不采用搜索引擎數據和多尺度分析)、半改進方法(僅采用搜索引擎數據或多尺度分析)與相似方法(采用其他多尺度分析方法)。

團隊介紹

湯鈴教授，國家優秀青年科學基金獲得者，國家“萬人計劃”青年拔尖人才獲得者。現為北京航空航天大學經濟管理學院教授、博士生導師。主要研究領域為能源經濟和管理、大數據分析與技術。出版專著2部，在Nature Energy(Nature子刊)等SCI/SSCI期刊上發表論文近60篇。張成元，北京航空航天大學經濟管理學院2017級博士研究生，主要研究方向為大數據分析、預測理論與方法等方向。已在Applied Energy和Advancesin Mechanical Engineering期刊上發表論文2篇。李玲博士，首都經濟貿易大學國際經濟管理學院講師。主要研究方向為能源經濟與管理，大數據分析與技術。已在Tourism Management、Applied Energy和Journal of CleanerProduction等SCI/SSCI期刊上發表7篇期刊論文。汪壽陽教授，發展中國家科學院院士、國際系統與控制科學院院士、亞太工業工程與管理學會會士。現為中國科學院數學與系統科學研究院研究員、博士生導師，中國科學院預測科學研究中心主任，中國科學院大學經濟與管理學院院長，教育部“長江學者”特聘教授。主要研究方向為大數據挖掘、建模與預測、人工智能。在Nature Energy(Nature子刊)、One Earth(Cell子刊)等國際重要期刊上發表論文340余篇，SCI和SSCI他引3500余篇次。先后兼任包括Energy Economics和Information and Management等國際著名期刊在內的15種國外重要學術期刊和9種國內重要期刊的主編、領域主編、副主編或編委。

03

Abstract

With the boom in big data, a promising idea for using search engine data has emerged and improved international oil price prediction, a hot topic in the fields of energy system modelling and analysis. Since different search engine data drive the oil price in different ways at different timescales, a multi-scale forecasting methodology is proposed that carefully explores the multi-scale relationship between the oil price and multi-factor search engine data. In the proposed methodology, three major steps are involved: (1) a multi-factor data process, to collect informative search engine data, reduce dimensionality, and test the predictive power via statistical analyses; (2) multi-scale analysis, to extract matched common modes at similar timescales from the oil price and multi-factor search engine data via multivariate empirical mode decomposition; (3) oil price prediction, including individual prediction at each timescale and ensemble prediction across timescales via a typical forecasting technique. With the Brent oil price as a sample, the empirical results show that the novel methodology significantly outperforms its original form (without multi-factor search engine data and multi-scale analysis), semi-improved versions (with either multi-factor search engine data or multi-scale analysis), and similar counterparts (with other multi-scale analysis), in both the level and directional predictions.

Keywords：

Big data

Search engine data

Google trends

Multivariate empirical mode decomposition

Oil price forecasting

Fig. 1. General framework of the proposed multi-scale methodology with multi-factor SED.

Fig. 2. Normalized series data of crude oil price (a) and the related SED-based indexes (b–d).

Fig. 4. Performance comparison of di?erent learning paradigms in terms of MAPE.

?關于我們?

本期小編：莊修政；審核：詹昊。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? ? ?

《Applied Energy》是世界能源領域著名學術期刊，在全球出版巨頭愛思唯爾 (Elsevier) 旗下，1975 年創刊，影響因子8.426，高被引論文ESI全球工程期刊排名第4，谷歌學術全球學術期刊第67，本刊旨在為清潔能源轉換技術、能源過程和系統優化、能源效率、智慧能源、環境污染物及溫室氣體減排、能源與其他學科交叉融合、以及能源可持續發展等領域提供交流分享和合作的平臺。

總結

以上是生活随笔為你收集整理的多元经验模态分解_【Applied Energy最新原创论文】一个基于多元搜索引擎数据的多尺度油价预测方法...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。