Прогнозирование нестационарных временных рядов на основе преобразования Гильберта–Хуанга и машинного обучения

Предложена модификация адаптивного подхода к прогнозированию временных рядов. На первом этапе исходный сигнал разлагается в специальный эмпирический адаптивный ортогональный базис и применяется интегральное преобразование Гильберта. На втором этапе полученные ортогональные функции и их мгновенные амплитуды используются в качестве входных переменных блока машинного обучения, использующего гибридный генетический алгоритм для обучения нейросетевой модели и регрессионной модели на основе метода опорных векторов. Эффективность разработанного подхода продемонстрирована на реальных данных Североевропейской энергетической биржи и Австралийской национальной энергетической биржи.