石油是地球上最重要的能源之一。目前,全球有接近三分之一的能源消耗源于石油。国际石油价格对全球的环境和经济有重大影响。无论是工业界、政府,还是个人,对石油价格都很关注。预测国际石油价格已成为学术界和工业界的热点研究话题。迄今为止,预测石油价格的方法已有很多。但是,由于国际石油价格波动频繁,准确预测国际石油价格仍极具挑战。本文提出了一种基于数据流学习的新方法来预测国际石油价格。伴随着新的国际石油价格数据,基于数据流学习的国际石油价格预测模型可时时更新。因此,油价预测模型会不断演变,能更好地捕捉到国际石油价格的变换模式。基于数据流学习的新方法既弥补了传统计量经济学方法的不足,即无法捕捉到国际石油价格的非线性特征;也克服了传统机器学习方法的缺陷,即无法有效地预测非平稳的国际石油价格。因此,这种新方法能够更加准确地预测未来的国际石油价格。另外,这种新方法能够有效地处理连续不断的国际石油价格数据,即便这些数据产生的速度极快。对于每个新的数据点,仅需很短的常量时间和定量内存就可更新基于数据流学习的国际石油价格预测模型,而无需使用所有的新旧训练数据点重新训练预测模型。本文将数据流学习方法应用到预测国际石油价格中,这在国内乃至国际是首创的。这一创新得到了实验的有效支持。在评估基于数据流学习的国际石油价格预测模型性能的过程中,本文将其与不变化模型、人工神经网络模型和一种前沿的混合预测模型做了比较。本文采用了多时间段定量分析方法。预测时间段包括一个月、三个月、六个月、九个月和十二个月。本文采用了两种性能指标:一种是均方预测误差,另一种是方向性精度。实验结果表明,对于1992年1月至2012年9月美国西德克萨斯中质原油现货价格和美国进口原油的炼油成本价格这两种国际石油价格,基于数据流学习的国际石油价格预测模型在绝大多数时间段(一个月、六个月、九个月和十二个月)预测精度最高(均方预测误差最低,方向性精度最高)。本文为能源预测领域提出了一种新的强有力的计算和分析方法。