石油,不仅与我们的生活息息相关,还与国家发展和世界经济紧密相连。如果能够准确的把握石油价格的波动方向,则可以帮助国家和企业制定更好的政策和决策。因此,对油价的准确预测显得尤为重要。本文为了提高现有模型对国际油价的预测精度,对现有的时序预测相关方法进行了改进与创新,具体工作如下：(1)基于Grid-GA优化的LSSVR油价预测模型构建。本文通过混合网格搜索法Grid和遗传算法GA提出了一个新的混合寻优算法Grid-GA优化LSSVR的参数,从而构建了基于Grid-GA优化的LSSVR油价预测模型。通过与ANN、ARIMA等算法的预测结果进行对比,证明了该算法显著提升了LSSVR的预测性能、稳定性和泛化能力。(2)基于EEMD和EELM的油价预测模型构建。本文首次将扩展极致学习机EELM和集成经验模态分解模型EEMD在“分解集成”方法论的框架下进行混合,构建了基于EEMD和EELM的分解集成模型。通过与其他分解集成模型进行对比研究,发现该模型显著不仅加快了分解集成模型的运行速度和还提高了预测性能。(3)基于EEMD优化的油价预测分解集成模型构建。为了通过优化集成经验模态分解EEMD的参数来提升EEMD的分解效果,本文提出了一个新方案和多尺度数据复杂性检验方法来优化EEMD的参数,并构建了基于EEMD优化的油价预测分解集成模型。研究结果证明该方法能够使EEMD能够适用于各种不同复杂程度的时间序列,并且有效提升分解集成模型的预测精度和泛化能力。本文提出的模型都在一定程度上提升了国际油价的预测精度。相较于单预测模型(支持向量机等),分解集成策略能够显著提升预测模型的预测性能。因此,强力的数据分解技术和预测性能强大的预测模型能够显著提高国际油价预测精度。