石油,作为一种主要的能源,对世界政治、经济、外交、军事格局有着深远影响。准确快速的原油价格预测有助于优化相应的生产、销售和投资等计划,避免潜在风险,提高石油相关部门的利润。原油价格的驱动因素不仅包括市场供需平衡状况,而且包括各种外部因素,如与其他资源的替代性、天气、库存水平、经济增长、政治变化、心理预期和极端事件。由于这些因素相互作用,原油价格预测成了一项艰巨的任务。在此背景下,本文重点从准确性和计算时间效率的角度出发,构建原油价格快速预测模型,对现有的油价预测模型进行改进和创新。具体研究内容如下:首先,通过混合集成经验模态分解EEMD(Ensemble Empirical Mode Decomposition)和 RVFL 网络(Random Vector Functional Link network)构建了一个新的分解集成油价预测模型。通过与其他油价预测模型和现有分解集成模型对比,发现RVFL网络的引入从预测精度和计算时间效率上提高了分解集成模型的性能。然后,将 RVFL 网络、极限学习机 ELM(Extreme Learning Machine)和RKS(Random Kitchen Sinks)三种随机算法引入分解集成框架下,构建了一个基于随机算法的分解集成模型,并将其应用于能源价格预测中。实验结果表明随机算法的引入可以有效提高现有分解集成模型的预测精度,并在很大程度上节约模型计算时间。最后,研究RVFL网络集成模型的集成策略多样性,包括样本数据多样性、采样间隔多样性、隐层节点多样性、激活函数多样性、集成个数多样性与集成方法多样性。通过实验测试最优的集成策略,同时利用最优集成策略构建一个多级RVFL集成模型对原油价格进行预测,该集成模型优于单个RVFL网络。本文提出的基于RVFL网络的分解集成模型、基于随机算法的分解集成模型以及基于最优集成策略的多级RVFL网络集成模型,都在一定程度上提升了国际油价预测模型的准确度,同时降低了模型耗时。对基于传统算法的分解集成模型来说,RVFL网络和随机算法的引入能够显著提升分解集成模型的预测性能和计算时间效率。同时,RVFL网络作为一种精度高耗时短的算法,其单模型及集成模型都能提高油价预测模型的精度。