基于神经网络的组合预测方法研究综述.docVIP

基于神经网络的组合预测方法研究综述

一、组合预测方法的发展背景与核心逻辑

预测作为支撑决策的核心环节，广泛应用于能源调度、金融风控、气象预警、交通流量调控等诸多领域。传统单一预测方法通常基于特定假设构建，如统计类的ARIMA模型要求序列平稳、机器学习类的支持向量机对小样本数据表现更优，但现实场景中的时间序列往往兼具非线性、非平稳、多尺度波动等复杂特征，单一模型难以全面捕捉数据的内在规律，容易出现泛化能力不足、极端场景预测偏差大等问题。

组合预测的核心思想最早由Bates和Granger在1969年提出，其本质是通过对多个单一模型的预测结果进行加权融合，利用不同模型的信息互补性，降低单一模型的结构误差与随机误差，最终提升整体预测精度。早期组合预测方法以线性加权为主，权重确定多依赖误差倒数、最小方差等统计准则，虽然计算简单，但难以适配数据的非线性关联特征，在复杂场景下的提升效果有限。随着深度学习技术的快速发展，神经网络凭借强大的非线性拟合能力、特征自动提取优势，逐渐成为组合预测方法的核心支撑技术，推动该领域从“线性加权融合”向“非线性深度融合”演进。

二、基于神经网络的组合预测方法典型架构

当前主流的基于神经网络的组合预测方法可分为三类架构：串行融合架构、并行融合架构以及端到端融合架构，三类架构分别适配不同的应用场景与数据特性。

（一）串行融合架构

串行融合架构的核心逻辑是先通过神经网