随着实时观测技术的发展,社会各行业已经积累了海量的信息数据。从事物发展过程中测量到的海量数据中挖掘出能够揭示事物发展一般规律的有用信息,据此预测事物的发展趋势,不仅是大数据分析和预测科学的核心问题,也是实际工作的需要,因而具有重要的科学价值和应用价值。本文首先引入HHT方法分析时间序列的时频变化特点,揭示事件发展的时间特征,然后结合EMD技术和季节性ARIMA模型预测时间序列未来的发展趋势。希尔伯特黄变换(HHT)时频分析方法包含两部分,即经验模态分解(EMD)和希尔伯特谱分析(HSA),将其应用于Husdom Bay公司的年度貂皮销售数据、IBM公司普通股的交易日收盘价数据、黄河兰州站日含沙量数据中,通过对这些数据进行HHT时频分析,获得它们的经验模态分解图、希尔伯特谱、边际谱、希尔伯特能量谱、瞬时能量谱和瞬时频率。实验结果表明,HHT方法准确描述了Husdom Bay公司年度貂皮销售数据、IBM公司普通股交易日收盘价数据、黄河兰州站日含沙量数据的非线性时变特征,是数据时频分析的有效工具。针对实际问题中时间序列非线性、非平稳、多尺度复合的特点建立了一种基于EMD方法的时间序列预测模型(EMD-ARIMA)。首先,借助于EMD方法将时间序列分解为多个不同时间尺度的内在模函数及趋势项;其次,对每一个内在模函数用季节性ARIMA模型进行预测,对于趋势项用趋势移动平均方法进行预测;最后,将各个子时间序列的预测结果进行复合得到原时间序列的预测结果。比较EMD-ARIMA模型与人工神经网络(ANN)模型和ARIMA模型的预测性能,选取3组不同规模的时间序列做短期、中长期和长期预测,比较3种模型的平均绝对百分比误差(MAPE)、平均绝对误差(MAD)和均方根误差(SDE)。数值实验结果表明:EMD-ARIMA模型不仅揭示了真实时间序列内在的多尺度复合特征和季节性变化规律,而且克服了 ARMA模型不适用于非线性、非平稳时间序列预测的缺点;与经典的ARIMA模型和ANN模型相比,EMD-ARIMA模型明显提高了预测精度,是一种可靠的非线性、非平稳时间序列预测方法。