基于组合数据转换的中国能源消费结构预测

为了提高中国能源消费结构预测的准确性，本文提出了一种基于组合数据转换的预测方法。该方法首先利用三种组合数据转换方法（加性对数比转换、等距对数比转换和等距对数比转换）对原始能源消费结构数据进行预处理。然后，将五种经典的时间序列预测模型（多项式回归、自回归综合移动平均模型、指数平滑模型、向量自回归模型和灰色模型）应用于转换后的数据以预测未来的能源消费结构。为了验证所提方法的有效性，本文以中国1980年至2017年的能源消费结构数据为例进行了实证研究。结果表明，与传统的预测方法相比，所提出的组合预测方法能够有效提高预测精度。

3.9. 样本外预测的实施

在样本外预测过程中，我们选择2013年至2017年最近5年的数据作为测试数据进行评估。由于不同预测模型对具体数据的要求不同，我们选择1980年至2012年的数据作为多项式回归、ARIMA、ETS和VAR模型的训练数据，而仅使用2006年至2012年的数据作为三种灰色模型的训练数据。

表2描述了组合数据转换方法和预测模型的缩写。一个具体的完整的组合时间序列预测模型同时涉及组合数据的转换方法和预测模型。预测模型名为DRHT-VAR，稍后将会提到，它表示在步骤1和步骤3中使用DRHT转换方法，在步骤2中使用VAR预测模型。

表3总结了所有预测模型备选方案的预测精度结果，其中行和列分别表示组合数据的转换方法和预测模型。同时，还进行了相关的传统时间序列预测模型以进行比较，表3中的子行“Base”表示对原始组合数据没有任何转换的相关传统模型。

如表3所示，对于转换方法（按行），LCC方法通常具有较大且不确定的波动性。相比之下，ILR和DRHT转换方法表现有效，CRMSE和CMAPE值更稳定。对于预测模型（按列），灰色模型、ETS和VAR的CRMSE和CMAPE值较小。具体而言，DRHT-VAR的CRMSE（0.09）和CMAPE（5.70%）达到最小值。然而，回归模型的CRMSE和CMAPE值相对较大。因此，我们在研究中选择DRHT-VAR模型作为2018年至2030年中国能源消费结构最终预测的最佳预测模型。

表3还说明了所提出的组合数据技术预测方法对结构预测问题的改进。具体而言，这些传统预测模型的预测性能与LCC方法相似，而对于VAR模型（14.31%）则完全相同。这与简单的LCC方法保留了相关传统模型的大多数预测结果这一事实相符。与组合方法和传统方法相比，所提出的组合预测方法优于相关的传统模型，实现了更低的CRMSE和CMAPE值。通过对组合数据进行转换，所提出的组合预测方法进一步利用了结构内各组成部分之间的相关信息，从而提高了系统内部结构预测的准确性。

公式:

CRMSE = (1/dS) * sqrt(sum((x(t) - bx(t))^2) / (T - M + 1))CMAPE = (100% / (T - M + 1)) * sum(abs((x(t) - bx(t)) / x(t)))

其中：

dS(x(t), bx(t)) 表示预测值 bx(t) 和实际值 x(t) 之间的差异* T 表示时间序列的长度* M 表示用于预测的滞后阶数

结论:

本文提出了一种基于组合数据转换的中国能源消费结构预测方法。研究结果表明，与传统的预测方法相比，所提出的方法能够有效提高预测精度。