2023，59（7）时间序列预测是反映社会经济现象和预测事物发展趋势的重要手段。而非平稳非线性的时间序列由于其序列内部的复杂性，不能简单地使用线性技术来实现。传统的非平稳非线性时间序列的预测主要基于参数进行回归预测[1]，但是由于缺乏对原始序列的充分探索，使得预测模型的精度不高。近年来，基于人工神经CEEMDAN-HURST算法在新冠疫情预测中的应用王启云，郑中团上海工程技术大学数理与统计学院，上海201620摘要：针对COVID-19新增病例是一个非线性非平稳的时间序列，提出基于CEEMDAN-HURST算法的COVID-19组合预测模型。利用自适应噪声完全集合经验模态分解算法将新增病例时间序列分解为频率不同的子序列；利用HURST指数分析各个子序列的随机性并将子序列整合为高频、中频和低频三种子序列，通过最小二乘支持向量机对这三种子序列分别进行预测；叠加各重构子序列的预测结果，得到COVID-19新增病例的最终预测值。结果表明，基于CEEMDAN-HURST算法的COVID-19新增病例组合预测模型提高了非线性时间序列预测过程中的效率以及预测精度。与CEEMDAN-PE组合模型相比，平均绝对误差、均方根误差分别降低了11.13%和29.67%，表明CEEMDAN-HURST算法可有效解决非线性时间序列预测模型普遍存在的预测效率低和预测精度低的问题；赫斯特（HURST）指数度量了时间序列的偏移程度，引入HURST指数进行合并重构整合，可减少时间序列预测所需要的子序列数目。关键词：非线性非平稳时间序列；自适应噪声的完整集合经验模态分解（CEEMDAN）；HURST指数；组合预测；COVID-19文献标志码：A中图分类号：TP399doi：10.3778/j.issn.1002-8331.2205-0253ApplicationofCEEMDAN-HURSTAlgorithminCOVID-19PredictionWANGQiyun,ZHENGZhongtuanSchoolofMathematics,PhysicsandStatistics,ShanghaiUniversityofEngineeringScience,Shanghai201620,ChinaAbstract：ConsideringthenewCOVID-19casesareanonlinearandnon-stationarytimeseries,acombinedCOVID-19predictionmodelbasedonCEEMDAN-HURSTalgorithmisproposed.Firstly,thetimeseriesofnewlyconfirmedcasesaredecomposedintosub-serieswithdifferentfrequenciesusingthecompleteensembleempiricalmodedecompositionwithadaptivenoise（CEEMDAN）algorithm.Secondly,therandomnessofeachsub-sequenceisanalyzedbyHURSTindexandthesub-sequenceisintegratedintothreesub-sequencesofhighfrequency,mediumfrequencyandlowfrequ...
