为拓宽师生学术视野，提升科研创新能力，4月29日，经济管理学院邀请四川大学特聘教授、国家级人才余乐安老师，为学院师生作了题为《从数据驱动到数据特征驱动：集成预测原理、技术与最新进展》的学术报告。讲座由经济管理学院院长王建良主持，六十余名专任教师及硕士、博士研究生参加。

余乐安教授在报告中系统阐述了从“数据驱动”向“数据特征驱动”演进的集成预测方法论。他指出，传统数据驱动范式存在“预设模型与数据不适配”的问题，而数据特征驱动范式则强调“紧扣样本数据特征构建相匹配的研究分析模型”。他围绕集成预测原理，系统阐述了三类混合集成预测技术（Bagging、Boosting、Stacking），以及TEI@I、EMD-ANN-ADD等分解集成预测方法，重点讲解了数据特征驱动的分解集成框架。在此基础上，他结合国际油价预测、成品油消费预测及外汇汇率预测等实际应用场景，展示了该方法在提升预测精度、增强模型可解释性以及服务国家宏观决策等方面的显著成效。

余乐安教授首先从预测误差的偏差-方差-噪声分解入手，阐明集成预测降低误差的理论基础：集成方法通过组合多个弱学习器，降低方差或降低偏差。在混合集成技术方面，他重点介绍了Bagging、Boosting和Stacking等三类常见技术；在分解集成技术方面，他介绍了“先分解后集成”的还原论思想，将原始序列分解为多个分量，分别预测后再集成。进一步地，他介绍了以数据特征驱动建模和分解集成建模为两大基石的“数据特征驱动建模”作为新的研究范式，其核心流程包括：第一步，数据特征驱动的数据分解——基于数据的周期性、季节性、突变性、复杂性等特征选择相匹配的分解技术；第二步，数据特征驱动的模态预测——根据各分量的数据特征选择对应的预测模型；第三步，数据特征驱动的集成预测——依据原始数据特征选择加法、乘法或非线性加权等集成技术。针对模态过多导致计算复杂性增加的问题，他还介绍了“分解-重构-集成”的扩展框架，通过重构相似模态分量来降低复杂度并提升精度。最后，结合团队在集成预测领域的积累，在中石油油价预测（正确率超80%、误差低于3%）、成品油需求预测（覆盖30省）等产业应用中成效显著，建成多套预测系统平台，完成10余项政策研究和咨询报告，发表4篇专著及100余篇学术论文，获国家杰出青年基金、中国青年科技奖等多项国家级奖励。

在互动交流环节，余乐安教授与在场师生围绕数据特征选择的可解释性、模型适配与选择策略、预测的时效性表现以及小样本条件下的模型适用性等问题展开热烈讨论，并分享了团队在集成预测领域开展大规模实证研究及推动产业落地的学术探索经验。与会师生表示，本次讲座兼具理论深度与实践前沿性，为理解数据特征驱动集成预测的理论框架与技术路径提供了重要的参考。

主讲人简介：

余乐安教授现为四川大学特聘教授、博士生导师，国家高层次人才计划入选者、国际系统与控制科学院院士、国际信息技术与量化管理学会会士、亚太人工智能学会会士。兼任科技金融四川省重点实验室主任和工信部大数据与商务智能技术重点实验室首席科学家。出版专著6部，发表高水平论文100余篇，先后获得中国青年科技奖、教育部自然科学奖一等奖和北京市科学技术奖一等奖等奖励。主要研究领域为大数据智能、经济预测、金融科技与能源管理等。