线性模型包括ARAM（ARMA 模型（Auto-Regressive and Moving Average Model）是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。在市场研究中常用于长期追踪资料的研究，如：Panel研究中，用于消费行为模式变迁研究；在零售研究中，用于具有季节变动特征的销售量、市场规模的预测等。）、ARCH（ARCH模型(Autoregressive conditional heteroskedasticity model) ARCH模型由美国加州大学圣迭戈分校罗伯特·恩格尔(Engle)教授1982年在《计量经济学》杂志(Econometrica)的一篇论文中首次提出。此后在计量经济领域中得到迅速发展。 所谓ARCH模型，按照英文直译是自回归条件异方差模型。粗略地说，该模型将当前一切可利用信息作为条件，并采用某种自回归形式来刻画方差的变异，对于一个时间序列而言，在不同时刻可利用的信息不同，而相应的条件方差也不同，利用ARCH 模型，可以刻划出随时间而变异的条件方差）；非线性模型包括ANN（人工神经网络（ArtificialNeural Network，简称ANN ），以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。人工神经网络有多层和单层之分，每一层包含若干神经元，各神经元之间用带可变权重的有向弧连接，网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重的方法，达到处理信息、模拟输入输出之间关系的目的。它不需要知道输入输出之间的确切关系，不需大量参数，只需要知道引起输出变化的非恒定因素，即非常量性参数。因此与传统的数据处理方法相比，神经网络技术在处理模糊数据、随机性数据、非线性数据方面具有明显优势，对规模大、结构复杂、信息不明确的系统尤为适用。）、SVR(支持向量回归算法主要是通过升维后，在高维空间中构造线性决策函数来实现线性回归，用e不敏感函数时，其基础主要是 e 不敏感函数和核函数算法。若将拟合的数学模型表达多维空间的某一曲线，则根据e 不敏感函数所得的结果，就是包括该曲线和训练点的“ e管道”。在所有样本点中，只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”。为适应训练样本集的非线性，传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效，但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算法“非线性化”，即能做非线性回归。与此同时，引进核函数达到了“升维”的目的，而增加的可调参数是过拟合依然能控制。)，优点是在短期预测中有很好的效果。数据的分析方法有很多，如小波分析法是一种非线性的处理方法， 能够在时域和频域内同时得到较高的分辨率。但会造成许多虚假的谐波，故具有一定的局限性。傅里叶分析法是一种纯时频的数据处理方法，能够在频域内得到非常高的分辨率。但是，它在时域内却失去了分辨能力，对非线性、非稳态数据的处理存在一些不足。1998 年，美国国家宇航局的Norden E． Huang 首次提出先对一组时间序列数据做经验模态分解（Empirical ModeDecomposition，简称 EMD），再对各个分量进行希尔伯特变换的处理方法，被称为希尔伯特黄变换(Hilbert－HuangTransformation，HHT）。 EMD 能把复杂数据分解成一系列的本征模态函数（Imtrinsic Mode Function，简称 IMF），再对每个 IMF 进行希尔伯特变换，将得到的频率、振幅、相位进行整合。
转载及引用请注明出处