Resumen

La previsión de los precios de los futuros del crudo es un tema de investigación importante para la gestión del mercado de futuros de la energía. Para optimizar la precisión de la predicción de los precios de los futuros de la energía, en este trabajo se establece un nuevo modelo híbrido que combina la descomposición de paquetes de ondas (WPD) basada en la red de memoria a corto plazo (LSTM) con el método de la función de peso efectivo en el tiempo estocástico (WPD-SW-LSTM). En el marco propuesto, WPD es un método de procesamiento de señales empleado para descomponer la serie original en subseries con diferentes frecuencias y el modelo SW-LSTM se construye basándose en la teoría aleatoria y el principio de la red LSTM. Para investigar el rendimiento de predicción del nuevo enfoque de previsión, se consideran como modelos de comparación SVM, BPNN, LSTM, WPD-BPN, WPD-LSTM, CEEMDAN-LSTM, VMD-LSTM y ST-GRU. Además, se mejora un nuevo método de medición de errores (distancia invariante de complejidad multiescala, MMCID) para evaluar los resultados de previsión de los distintos modelos, y los resultados numéricos demuestran que se consigue una previsión de alta precisión de los precios de los futuros del petróleo.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:precio futuro del petróleo, lstm, wpd, complejidad multiescalar, nuevo modelo híbrido, precisión de la energía, principios de lstm, precio futuro de la energía, métodos de medición de errores, red de memoria de términos
• Keywords:oil future price, lstm, wpd, multiorder multiscale complexity, new hybrid model, accuracy of energy, principles of lstm, energy future price, error measurement methods, terms memory network