{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,6,20]]，“日期-时间”：“2024-06-20T00:55:09Z”，“时间戳”：1718844909506}，“引用-计数”：44，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{-date-parts”：[2022,7,1]]，《日期-时间》：“2022-07-01T00:00:00 0:00Z“，”timestamp“：1656633600000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.elsevier.com//tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[2022,7,1]]，“date-time”：“2022-07-01T00:00:00Z”，“timestamp”：1656633600000}，“content-version”：“stm-asf”，“delay-in-days”：“0，”URL“https:\//doi.org\/10.15223\/policy-017“}，{“开始”：{“日期部分”：[[2022,7,1]]，“日期时间”：“2022-07-01T00:00:00Z”，“timestamp”：1656633600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-037”}，{“start”：{“date-parts”：[[2022,7,1]]，“date-time”：“2022-07-01T00:00:00Z”，“timetamp”：1.65633600000neneneep，“content-version”：“stm-asf”https:\/\/doi.org\/10.15223\/policy-012“}，{”开始“：{”日期部分“：[2022,7,1]]，“date-time”：“2022-07-01T00:00:00Z”，“timestamp”：1656633600000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2022,7,1]]，“datetime”：“022-07-01T_00:00Z”，”timestamp“165663360000}”，“content-version”：“st m-asf“，”delay-in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-004“}]，“content-domain”：{“domain”:[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[“Applied Soft Computing”]，”published-print“：{”date-parts“：[[2022,7]]}，”DOI“：”10.1016\/j.asoc.2022.109089“，”type“：”journal-article“，”created“：”{“date-part”：[2022,6,3]]，“date-time”：“2022-06-03T16:40:46Z“，”时间戳“：1654274446000｝，“page”：“109089”，“update policy”：“http:\/\/dx.doi.org/10.1016\/elsevier_cm_policy”，“source”：“Crossref”，“由count引用”：5，“title”：[“使用基于频率分量分析和智能优化的多尺度建模策略进行股价指数预测”]，“prefix”：“10.1016”，“volume”：“124”，“author”：[{“ORCID”：“http://\/orcid.org\/00000-0003-0284-2730”，“authenticated-orcid”：false，“given”：“Ranran”，“family”：“Li”，“sequence”：“first”，“affiliation”：[]}，{“orcid”：family“：”Song“，”sequence“：”additional“，“affiliation”：[]}]，“member”：“78”，“reference”：[{“key”：“10.1016\/j.asoc.2022.109089_b1”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.dsp.2020.102741”，“article-title”：“预测股市价格时间序列的改进深度学习模型”，“volume”：”102“author”：“Liu”，“year”：“2020”，“journal-title“：”“Digit.Signal Process.”}，{“键“：“10.1016\/j.asoc.2022.109089_52”，“doi-asserted-by”：“crossref”，“doi”：“10.116\/j.energy.2020.11839”，“article-title”：“石油进口国和石油出口国油价与股市关系的动态分位数回归模型”，“volume”：“213”，“author”：“Mokni”，“year”：“2020”，“journal-title“：”“energy”}，{“issue”：“2”，“key”：“10.1016\/j.asoc.2022.109089_b3”，“doi-asserted-by”：“crossref”，“first page”：“684”，“doi”：“10.106\/j.ijforecast.2019.08.005”，“article-title”：“股价波动预测：来自GARCH-MIDAS模型的新证据”，“volume”:“36”，“author”：“Wang”，“year”：“2020”，“journal-title“：”“Int.j.Forecasting”}，{“key”：”10.1016//j.asoc.2022.1090 89_b4英寸，“doi-asserted-by”：“crossref”，“unstructured”：“L.Yermal，P.Balasubramanian，《自动ARIMA模型在预测NSE分钟合并数据回报率中的应用》，收录于：第八届IEEE国际计算智能与计算研究会议（IEEE ICCIC），印度哥印拜陀塔米尔纳杜·科尔恩根，2017年。”，“doi”：“10.1109\/ICCIC.2017.8524232”}，{“key”：“10.1016\/j.asoc.2022.109089_b5”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.eswa.2021.115149”，“article-title”：“自适应小波变换、长短期记忆和ARIMA-GARCH族模型的混合方法用于股指预测”，“volume”：”182“author”：“Zolfaghari”，“year”：“2021”，“journal-title”：“Expert Syst.Appl.”}，{“key”：“10.1016\/j.asoc.2022.109089_b6”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.asieco.2022.101458”，“article-title“：“使用VMD算法的国际金融系列预测”，“volume”:“80”，“author”：“Guo”，“year”：“2022”，“jornal-title:”j.Asian Econ.“}，”{“issue”：“3”，“密钥”：“10.1016\/j.asoc.2022.109089_b7”，“doi-asserted-by”：“crossref”，“first page”：“36”，“doi”：“10.3390\/informatics5030036”，《article-title》：“利用神经网络对建模参数和基于交易量的特征在日常股票交易中的重要性进行实证研究”，“volume”：”5“author”：“Dinh”，《year》：“2018”，“journal-title”：“Informatics”}，{“key”：“10.1016\/j.asoc.2022.109089_b8”，“doi-asserted-by”：“crossref”，“doi”：“10.116\/j.physa.2020.124197”，”article-title“：“基于LLE-BP神经网络模型的股价预测”，“volume”：“553”，“author”：“Yu”，“year”：“2020”，“journal-title”：“Physica A”}，{“key”：”10.1016//j.asoc.2022.109099_b9“，”doi-assert-by“：“crossref”，“first page”：“15”，“doi”：“10.1016\/j.compleceng.2021.107405”，“article-title”：“用级联多元自适应回归样条曲线和深度神经网络的混合模型预测股价”，“volume”：“95”，“author”：“Bose”，“year”：“2021”，“journal-title“：”Compute.Electr.Eng.“}，{“key”：”10.1016\/j.asoc.2022.109089_b10“，”doi-asserted-by“：”crossref“，”first page“187”，“DOI”：“10.1016\/j.eswa.2017.04.030”，“article-title”：“股票市场分析和预测的深度学习网络：方法论、数据表示和案例研究”，“volume”：“83”，“author”：“Chong”，“year”：“2017”，“journal-title“：“Expert Syst.Appl.”}，{“key”：：“10.1016\/j.jhydrol.2014.01.062”，“article-title”：“使用改进的基于EMD的支持向量机进行月径流预测”，“volume”：“511”，“author”：“Huang”，“year”：“2014”，“journal-title“：”j.Hydrol.“}，{”key“：”10.1016\/j.asoc.2022.109089_b12“，”doi-asserted-by“：”crossref“，”doi“：”101016\/j.jclepro.2020.123948“，”article-title“：“基于改进蚁群优化的支持向量机的光伏功率预测”，“volume”：“277”，“author”：“Pan”，“year”：“2020”，“journal-title”：“J.Clean.Prod.”}，{“key”：”10.1016\/J.asoc.2022.109089_b13“，”doi-asserted-by“：”crossref“，”doi“10.1016\/J.jenvman.2021.13951“，”article-title“：“基于多目标切线搜索算法的短期二氧化碳排放量预测集成系统”，“volume”：“302”，“author”：“Liu”，“year”：“2022”，“journal-title”：“J.Environ.Manag.”}，{“key”：”10.1016\/J.asoc.2022.109089_b14“，”doi-asserted-by“：”crossref“，”doi“：”10.116\/J-asoc.2021.107935“，”article-title“：“基于误差修正和分割策略的碳价格预测系统”，“卷”：“118”，“作者”：“牛”，“年份”：“2022年”，“期刊标题”：“应用软件计算”}，{“问题”：“5”，“关键”：“10.1016\/j.asoc.2022.109089_b15”，“doi-asserted-by”：“crossref”，”第一页“1482”，“doi”：“101016\/j.apr.2019.04.005”，”，“article-title”：“利用PSO算法优化的支持向量机进行气象模式分析辅助每日PM2.5等级预测”，“体积”：“10”，“作者”：“刘”，“年份”：“2019”，“期刊标题”：“大气污染研究”}，{“问题”：“12”，“关键”：“10.1016\/j.asoc.2022.109089_b16”，“doi-asserted-by”：“crossref”，“首页”：“7743”，“doi”：“101109\/TII.2020.2970165”，《文章标题》：“基于集成机器学习模型的高效优化能源管理建筑热需求短期预测”，“卷”：“16”，“作者”：“Eseye”，“年份”：“2020”，“期刊标题”：“Ieee Trans.Ind.Inf.”}，{“问题”：“11”，“关键”：“10.1016\/j.asoc.2022.109089_b17”，“doi-asserted-by”：“crossref”，”doi“10.3390\/en11112976”，“article-title”：“基于信号分解算法和混合线性/非线性模型的短期风速预测”，“volume”：“11”，“author”：“Han”，“year”：“2018”，“journal-title“：”Energies“}，{”issue“：”11“，”key“：”10.1016\/j.asoc.2022.109089_b18“，”doi-asserted-by“：”crossref“，”first page“：“3606”，“doi”：“10.1016\/j.apenergy.2010.012”，“article-title”：“利用小波变换结合ARIMA和GARCH模型进行日电价预测”，“volume”：“87”，“author”：“Tan”，“year”：“2010”，“journal-title:“Appl.Energy”}，{“key”：”10.1016\/j.asoc.2022.109089_b19“，”doi-asserted-by“：”crossref“，”first page“：”151“，“doi”：“10.1016\/j.neucom.2019.05.099”，“artice-title“：“使用新的ARIMA-ANN混合方法和经验模式分解提高时间序列数据的预测精度”，“量”：“361”，“作者”：“Buyuksahin”，“年份”：“2019”，“期刊标题”：“神经计算”}，{“键”：“10.1016\/j.asoc.2022.109089_b20”，“doi-asserted-by”：“crossref”，”doi“10.1016 \/j.najef.2021.01421”，”article-title“：“使用ceemdan-lstm模型预测股指价格”，“量”：“57”，“作者”：“林”，“年份”：“2021”，“期刊标题”：“北美经济金融”}，{“问题”：“1971”，“关键”：“10.1016\/J.asoc.2022.109089_b21”，”doi-asserted-by“：”crossref“，”首页“：”903“，”doi“：”10.1098\/rspa.1998.0193“，“article-title”：“非线性和非平稳时间序列分析的经验模式分解和希尔伯特谱”，“卷”：“454”，“作者”：“黄”，“年份”：“1998”，“期刊标题”：“Proc.Math.Phys.Eng.Sci.”}，{“键”：“10.1016\/j.asoc.2022.109089_b22”，“doi-asserted-by”：“crossref”，“首页”：“8”，“doi”：“10.0016\/j.neunet.2017.03.004”，”，“article-title”：“基于金融实证模式分解的预测随机神经网络”，“数量”：“90”，“作者”：“王”，“年份”：“2017年”，“期刊标题”：“神经网络”}，{“关键”：“10.1016\/j.asoc.2022.109089_b23”，“doi-asserted-by”：“crossref”，“首页”：“652”，“doi”：“1016\/j.asoc.2018.11.008”，“article-title”：“用于股价和每日走势预测的混合变分模式分解和进化鲁棒核极值学习机”，“量”：“74”，“作者”：“Bisoi”，“年份”：“2019”，“期刊标题”：“应用软计算”}，{“键”：“10.1016\/j.asoc.2022.109089_b24”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.techfore.2021.121181”，“文章标题”：“一种新的原油价格时间序列多尺度预测模型”，“卷”：“173”，“作者”：“Li”，“年份”：“2021”，“期刊标题”：“Technol.Foresting Soc.Change”}，{“问题”：“16”，“关键”：“10.1016\/j.asoc.2022.109089_b25”，“文章标题”：“基于改进的具有自适应噪声、非线性熵和集成SVM的完全集成经验模式分解的滚动轴承故障诊断”，“卷”：“10”，“作者”：“李”，“年份”：“2020”，“期刊标题”：“应用科学-巴塞尔”}，{“关键”：“10.1016\/j.asoc.2022.109089_b26”，“doi-asserted-by”：“crossref”，“首页”：“161”，”doi“：“10.1016\/j.physa.2017.02.072”，“article-title”：“基于EEMD的多维k-最近邻模型用于金融时间序列预测”，“volume”：“477”，“author”：“Zhang”，“year”：“2017”，“journal-title“：”Physica A“}，{“key”：”10.1016\/j.asoc.2022.109089_b27“，”doi-asserted-by“：”crossref“，”first page“：”242“，”doi“：”10.116\/j.bspc.2017.12.004“”，“article-title”：“使用重采样技术和AdaBoost集成分类器对不平衡ECG搏动进行分类”，“volume”：“41”，“author”：“Rajesh”，“year”：“2018”，“journal-title“：“Biomed.Signal Process.Control”}，{“key”：”10.1016\/j.asoc.2022.109089_b28“，”doi-asserted-by“：”crossref“，”first page“：”239“，“doi”：“10.1016\/j.atmosenv.2016.10.046”，“文章标题”：“中国城市空气质量预警系统”，“卷”：“148”，“作者”：“Xu”，“年份”：“2017”，“期刊标题”：“大气环境”}，{“关键”：“10.1016\/j.asoc.2022.109089_b29”，“doi断言”：“crossref”，“首页”：“239”，“doi”：“10.1016\/j.encomman2018.02.015”，“文章标题”：“使用带误差修正的极端学习机器模型进行短期风速预测”，“卷”：“162”，“作者”：“王”，“年份”：“2018年”，“日志标题”：“能源转化管理”}，{“键”：“10.1016\/j.asoc.2022.109089_b30”，“doi-asserted-by”：“crossref”，”doi“10.1016 \/j-apenergy.2019.114243”，“article-title”：“基于数据处理和优化支持向量机的新型复合电力需求预测框架”，“卷”：“260”，“作者”：“江”，“年份”：“2020”，“期刊标题”：“应用能源”}，{“关键”：“10.1016\/j.asoc.2022.109089_b31”，“doi-asserted-by”：“crossref”，”doi“10.1016 \/j.eswa.2021.116345”，“文章标题”：“基于多目标优化的空气污染点和区间预测组合系统设计”，“卷”：“191”，“作者”：“王”，“年份”：“2022年”，“期刊标题”：“专家系统应用”}，{“问题”：“2”，“关键”：“10.1016\/j.asoc.2022.109089_b32”，“doi-asserted-by”：“交叉引用”，“首页”：“931”，“doi”：“1016\/j.asoc.2011.09.013”，“article-title”：“基于粒子群优化算法的集成功能链网和区间2型模糊逻辑系统预测股市指数”，“量”：“12”，“作者”：“Chakravarty”，“年份”：“2012年”，“期刊标题”：“应用软计算”}，{“问题”：“3”，“关键”：“10.1016\/j.asoc.2022.109089_b33”，“doi-asserted-by”：“crossref”，“首页”：“812”，“doi”：“10.1016\/j.ijar.2013.09.014”，“article-title”：“基于M因子模糊时间序列和粒子群优化的股指价格预测”，“量”：“55”，“作者”：“辛格”，“年份”：“2014”，“日志标题”：“国际期刊近似原因”}，{“问题”：“3”，“关键”：“10.116\/j.asoc.2022.109089_b34”，“文章标题”：“基于人工神经网络和元启发式算法的日内股价预测混合模型”，“量”：“147”，“作者”：“库马尔”，《年份》：“2021年”，“期刊标题”：“模式识别快件”}，{“问题”：“12”，“关键”：“10.1016\/j.asoc.2022.109089_b35”，“doi-asserted-by”：“crossref”，”首页“6487”，“doi”：“101007\/s00521-0520-05413-5”，“article-title”：“使用基于信息交互增强杜鹃搜索的混合模型预测钢水温度”，“volume”：“33”，“author”：“Yang”，“year”：“2021”，“journal-title“：”Neural Compute.Appl.“}，{“issue”：“2”，“key”：”10.1016\/j.asoc.2022.109089_b36“，”doi-asserted-by“：”crossref“，”first page“：”1207“，”doi“：“10.1007\/s11063-020-10300-0”，“article-title”：“基于鲸鱼优化算法的短期电力负荷预测新组合模型”，“volume”：“52”，“author”：“Shang”，“year”：“2020”，“journal-title“：”Neural Process.Lett.“}，{”key“：”10.1016\/j.asoc.2022.109089_b37“，”article-title“：“使用进化框架优化OSELM方法特征约简的萤火虫算法进行股市预测”，“卷”：“4”，“作者”：“Das”，“年份”：“2019”，“期刊标题”：“Expert Syst.Appl.X”}，｛“键”：“10.1016\/j.asoc.2022.1009089_b38”，“doi断言”：“crossref”，“首页”：“694”，“doi”：“10.1016\/j.energy.2011.11.034”，“文章标题”：“基于日期框架策略和改进的特征选择技术的短期负荷预测混合预测模型”，“卷”：“119”，“作者”：“江”，“年份”：“2017”，“期刊标题”：“能源”}，{“问题”：“01”，“关键”：“10.1016\/j.asoc.2022.109089_b39”，“doi-asserted-by”：“crossref”，《首页》：“1”，“doi”：“101142\/S1793536909000047”，“article-title”：“集合经验模式分解：一种噪声辅助的数据分析方法”，“volume”：“01”，“author”：“Wu”，“year”：“2009”，“journal-title“：”Adv.Adapt.data Anal.“}，{“key”：”10.1016\/j.asoc.2022.109089_b40“，”doi-asserted-by“：”crossref“，”first page“127”，“doi”：“10.1016\/j.physa.2018.11.061”，“artice-title：“基于CEEMDAN和LSTM的金融时间序列预测模型”，“volume”：“519”，“author”：“Cao”，“year”：“2019年”，“journal-title”：“Phys.A”}，{“key”：”10.1016\/j.asoc.2022.109089_b41“，”doi-asserted-by“：”crossref“，”first page“：”19“，”doi“10.1016\/j.bspc.2014.06.09“，”article-title“：“改进的完整集合EMD：适合生物医学信号处理的工具”，“卷”：“14”，“作者”：“Colominas”，“年份”：“2014”，“日志标题”：“Biomed.signal Process.Control”}，{“问题”：“9\u201310”，“键”：“10.1016\/j.asoc.2022.109089_b42”，“doi-asserted-by”：“crossref”，“首页”：“3859”，“doi”：“101007\/s00170-020-05311-z”，“article-title”：“使用改进的CEEMDAN和基于小波和主成分分析的多元去噪对非平稳运行条件下滚动轴承的故障诊断”，“卷”：“107”，“作者”：“Chaabi”，“年份”：“2020年”，“期刊标题”：“国际J.Adv.Manuf.Technol.”}，{“问题”：“2”，“关键”：“10.1016\/J.asoc.2022.109089_b43”，“doi-asserted-by”：“crossref”，“first page”：“619”，“DOI”：“10.1007\/s00366-018-0620-8”，“article-title”：“向日葵优化（SFO）算法应用于复合材料层合板损伤识别”，“volume”：”35“，“author”：“Gomes”，”year“：”2019“，”journal-title“：”Eng.Compute.“}，{”issue“：”3“，”key“10.1016\/j.asoc.2022.109089_b44”，“首页”：“253”，“article-title”：“比较预测准确性”，“volume”：“13”，“author”：“Diebold”，“year”：“1995”，“journal-title“：“J.Bus.Econ.Stat.”}]，“container-title（容器-标题）”：[“应用软计算”]，“original-title:[]，“language”：“en”，“link”：[{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S1568494622003763？httpAccept=text\/xml”，“content-type”“：”text\/xml“，“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S1568494622003763？httpAccept=text\/plain”，“content-type”：“text\/plaine”，“content-version“：”vor“，”intended-application“：”text-mining}]，“deposed”：{“date-parts”：[2023,4,15]]，“date-time”：”2023-04-15T15 2:53:41Z“，”时间戳“：1681563221000}，“score”：1，“resource”：{“primary”：{“URL”：“https:\/\/linkinghub.elsevier.com/retrieve\/pii\/S1568494622003763”}}，”subtitle“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[2022,7]]}，‘references-count’：44，”alternative-id“：[”S15684946220003763“]，”URL“：”http://\/dx.doi.org \/10.1016 \/j.asoc.2022.109089“，”关系“：{}，”ISSN“：[”1568-4946“]，“issn-type”：[{“value”：“1568-4946”，“type”:“print”}]，“subject”：[]，“published”：{“date-parts”：[2022,7]]}，“assertion”：[}“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由”}维护，{“valve”：“使用基于频率成分分析和智能优化的多尺度建模策略进行股价指数预测”，“name”：“articletite”，“label”：“Article Title”}，{“value”：“Applied Soft Computing”，“name”：“journaltitle”，“标签”：“Journal Title（期刊标题）”}：“\u00a9 2022 Elsevier B.V.保留所有权利。”，“name”：“版权”，“label”：“copyright”}]，“article-number”：“109089”}}