电子废弃物回收规模预测是政府制定循环经济发展规划和有关补贴政策、企业进行资源回收价值评估和产能优化的基础。本文考虑电子废弃物回收规模季度数据的季节性数据特征可能导致传统单模型预测误差偏大、预测结果不稳定等问题,基于“分...电子废弃物回收规模预测是政府制定循环经济发展规划和有关补贴政策、企业进行资源回收价值评估和产能优化的基础。本文考虑电子废弃物回收规模季度数据的季节性数据特征可能导致传统单模型预测误差偏大、预测结果不稳定等问题,基于“分解-集成”的思想提出了季节性数据特征驱动的电子废弃物回收规模预测CH-X12/STL-X框架。首先,基于Canova-Hansen(CH)检验对电子废弃物回收规模时间序列的季节性数据特征进行识别,继而对适于进行季节性分解的时间序列采用X12乘法模型或时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess,STL)模型实现季节性分量提取。然后,采用Holt-Winters模型对获得的季节性分量进行预测,并以支持向量回归模型(Support Vector Regression,SVR)预测分解获得的其他分量。最后,通过对各个分量预测结果的线性求和以得到最终的预测结果。实证结果表明,提出CH-X12/STL-X预测框架能够较好地满足不同季节性数据特征驱动的时间序列预测建模需求,且较传统单模型(Holt-Winters模型、季节性差分自回归滑动平均模型、SVR模型)在预测性能上表现良好且稳定。展开更多
文摘电子废弃物回收规模预测是政府制定循环经济发展规划和有关补贴政策、企业进行资源回收价值评估和产能优化的基础。本文考虑电子废弃物回收规模季度数据的季节性数据特征可能导致传统单模型预测误差偏大、预测结果不稳定等问题,基于“分解-集成”的思想提出了季节性数据特征驱动的电子废弃物回收规模预测CH-X12/STL-X框架。首先,基于Canova-Hansen(CH)检验对电子废弃物回收规模时间序列的季节性数据特征进行识别,继而对适于进行季节性分解的时间序列采用X12乘法模型或时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess,STL)模型实现季节性分量提取。然后,采用Holt-Winters模型对获得的季节性分量进行预测,并以支持向量回归模型(Support Vector Regression,SVR)预测分解获得的其他分量。最后,通过对各个分量预测结果的线性求和以得到最终的预测结果。实证结果表明,提出CH-X12/STL-X预测框架能够较好地满足不同季节性数据特征驱动的时间序列预测建模需求,且较传统单模型(Holt-Winters模型、季节性差分自回归滑动平均模型、SVR模型)在预测性能上表现良好且稳定。
