能源作为经济增长和社会发展的根本动力，在国际上具有十分重要的地位。在中国经济对能源日渐依赖的背景之下，能源问题早已经成为了人们日渐关注的问题。其中，能源价格问题是整个能源问题中的最为核心的问题之一。在众多能源中，原油作为世界上最主要的能源之一，在全球经济生活中扮演着至关重要的角色。近年来，国际原油价格的频繁波动对各国的经济造成了极大的影响。对于包括中国在内的原油进口国家，高油价将造成极大的经济损害，而低油价对原油出口国可能会造成经济衰退和政治波动。在变幻莫测的原油市场中，如果能直接掌握到原油价格的波动规律，就可以采取必要措施避免过多的不利影响，更好地维护自身利益。但是，原油价格波动易受到政治、金融、供求情况等多方面因素的影响，使得原油价格数据呈现出多方面的特征，对原油价格的研究带来了不小的困难。因此，密切关注国际原油市场，全面掌握原油价格数据特征，并对价格走向进行合理预测，是一件既有意义又有挑战性的任务。　　为了解决这个问题，本文从原油价格时间序列数据多方面特性的角度出发，提出了一种基于相关向量机(Relevance Vector Machine, RVM)和差分自回归移动平均(Autoregressive Integrated Moving Average, ARIMA)的组合模型来对原油价格时间序列数据进行多尺度集成预测。该模型主要包括集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD)、自适应粒子群优化(Adaptive Particle Swarm Optimization, APSO)、RVM和ARIMA。据了解，这是首次将 RVM-ARIMA模型对原油价格时间序列数据进行多尺度预测研究，并且针对数据的不同特征选取适当的模型。具体过程如下：(1)使用 EEMD将原油价格时间序列数据分解为多个具有简单模式的本征模态函数(Intrinsic Mode Function, IMF)分量和一个残差分量；(2)采用一种“细到粗”重建的方法确定出IMF中的高频分量和低频分量，利用ARIMA的短期记忆能力捕捉高频分量的短期随机趋势，使用RVM模型捕捉低频分量的周期性趋势以及突变趋势，并采用APSO对RVM的组合核函数进行参数优化，对于残差分量的长期趋势则使用ARIMA进行预测；(3)将各个分量预测结果简单相加作为该模型最后的预测结果。本文采用国际原油中极具代表性的西德克萨斯轻质原油(West Texas Intermediate, WTI)作为实验数据，对RVM-ARIMA模型进行了大量的实验和评估。在均方根误差(Root Mean Square Error, RMSE)、平均绝对百分比误差(Mean absolute percentage error, MAPE)和定向统计量(Directional statistics,Dstat)等指标上，RVM-ARIMA相对于其他方法具有明显的优势，表明RVM-ARIMA模型是一种有效的原油价格预测方法。