全球经济的发展和社会的稳定与国际原油市场价格波动相关联,作为全球经济市场上一种特殊的货物,其价格基本上受供需关系决定。但是也容易受到一些不规则的事件影响,例如:天气、库存水平、GDP增长、政治因素,甚至是心理预期。这些因素导致了原油市场剧烈波动,具有复杂的非线性、高波动性和不规则的特点。在此背景下,为了提高油价的预测效果,本文对现有的时间序列相关预测方法进行了改进与创新,具体研究内容如下:(1)本文在“分解集成”的策略下构建了一种基于EEMD分解的LSTM神经网络的组合预测方法。首先,EEMD对油价原始时间序列分解;然后使用LSTM神经网络预测分解分量;最后,对预测序列简单加和得到最终结果。实证结果表明,与其它基准模型比较,在水平预测和趋势预测上所提的方法更有效地预测原油价格。(2)改进EEMD分解的LSTM神经网络集成模型油价预测,提出了一种基于EEMD分解、小波阈值去噪、fine-to-coarse法重构和LSTM神经网络的组合预测方法。首先,EEMD对油价原始时间序列分解,利用小波阈值去噪法获取高频模态分量的有效信息;其次,分解出的模态分量运用fine-to-coarse法重构,得到从高到低的重构分量;然后使用LSTM神经网络预测重构分量;最后,对重构序列简单加和得到最终结果。相较于EEMD分解的LSTM集成预测模型,所提模型提高了油价预测准确度。本文提出的两种分解-集成深度学习的油价预测模型,分别使用了WTI的日度原油价格进行实证分析,并且都在一定程度上提升油价预测的准确度。实证结果表明:这两种预测方法在非线性不规则时间序列预测的有效性。