能源作为人类一切生产活动的动力基础,对于国家政治、经济以及战略的发展有着重要意义。并且,能源经济相关变量波动,如能源产量或者价格的涨跌,在很大程度上影响着国家政策和企业决策的制定。所以,实现能源经济相关变量的精准预测一直科学家们所研究的热点话题。本文基于对分解集成框架的改进优化进行研究,实现对能源经济变量,如生物能源产量和国际原油价格预测精度方面的提升,为国家和相关企业的能源发展提供决策支撑,具体包括以下三方面工作:(1)基于分解-重构-集成深度学习的生物能源产量预测模型本文针对生物能源产量序列的复杂性等特点,提出一种基于分解-重构-集成的深度学习预测模型。该模型涉及四个步骤:首先,为降低直接建模困难程度,对生物能源月度产量数据进行EMD分解;其次,对分解后的分量根据其频率特性进行分量重构,形成高频、低频、趋势项三个序列,以减少计算时间复杂度;再次,根据高频、低频、趋势项序列的特点,高频分量波动较为复杂,所以长短期记忆神经网络(LSTM)被用于对高频项进行预测,而低频和趋势项序列波动相对规律,极致学习机(ELM)模型被用于进行预测分析;最后,通过简单加和的方法对重构后各分量的预测结果进行集成。通过与支持向量回归(SVR)模型、差分自回归移动平均(ARIMA)等算法的预测结果对比,本文所提出模型的优越性在实证上得到证明。(2)基于带比例约束分解集成的国际油价预测模型本文针对国际油价序列分解之后得到的分量序列之间相关性问题,提出一种带比例约束的分解集成预测方法。该模型包括4个步骤:首先,国际原油价格序列经EMD分解以降低直接建模的困难性;其次,考虑到分解后得到的分量是存在一定的相关性,因此对分解后的各分量采用一种基于对数比率(Logratio)的成分变换方法得到各分量之间的比例成分关系;再次,对原油价格序列分解后得到的固有模态函数(IMF)分量序列和各序列经成分变换得到的成分关系序列进行分量预测,得到各IMF分量序列的预测结果和对应的成分关系序列的预测结果;最后,由各序列的预测结果除以各序列的成分预测结果,可得各IMF分量相对于总体的预测结果,并且通过一种基于误差最小化的权重调整方式对各序列相对于总体的预测结果进行权重调整得到国际原油价格序列最终的预测结果。通过与SVR、ELM等单模型以及其对应的集成模型之间进行对比研究,发现所提出的基于带比例约束的分解集成预测模型能有效提高国际油价的预测精度。(3)基于偏差-方差-复杂性均衡分解集成的国际油价预测模型本文针对国际油价序列经过分解之后对IMF分量序列进行预测时模型选择问题,提出一种基于偏差-方差-复杂性均衡分解集成的国际油价预测模型。该模型由四个部分组成:首先,原油价格序列经EMD分解实现降低建模难度的目的;其次,对于模型选择,通过对每个IMF分量进行偏差-方差-复杂性均衡分析后,可以从备选模型类中找到其中最适合该IMF分量的模型类进行系统建模;再次,对于分量预测部分,针对IMF分量建模的泛化性考虑,在上一步选择出来的模型类的基础上,采用一种基于权重调整的集成方式对IMF分量序列进行集成预测;最后,通过简单加和的方式对IMF各分量的预测进行结果集成。并且,通过与误差反传神经网络(BPNN)及LSTM等分解集成方法的预测结果比较,本文所提出的方法对国际原油价格的预测起到了良好的改进效果。本文所提出的三个模型均在分解集成框架下采用分量重构、比例约束、偏差-方差-复杂性均衡等不同的处理方法来对传统分解集成方法进行完善与改进,提出新的分解集成预测模型。实证比较结果证明,本文所提出的三个新的基于优化的分解-集成模型均具有较好的预测性能。