基于机器学习的煤炭价格预测模型研究

作     者：向钰鑫 

作者单位：重庆理工大学 

学位级别：硕士

导师姓名：李波;袁先智

授予年度：2023年

学科分类：120202[管理学-企业管理（含：财务管理、市场营销、人力资源管理）] 12[管理学] 0202[经济学-应用经济学] 02[经济学] 1202[管理学-工商管理] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020205[经济学-产业经济学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：煤炭价格预测 BiLSTM网络 卷积神经网络 组合模型 

摘      要：煤炭是我国最重要的资源,在我国能源结构中一直占有主导地位。由于煤炭价格的复杂性和不确定性,加之政策、气候等影响,使得煤炭价格预测具有一定的难度。在市场竞争日趋加剧的今天,如何对煤炭市场进行科学、高效的预测,是稳定能源供给的重要课题。本文旨在分析短期煤炭价格数据的特性,构建合适的单一预测模型和组合预测模型,最终达到高效准确的煤炭价格预测,为煤炭企业规避市场风险提供参考依据。本文研究的主要工作如下:1、分析了现有煤炭价格预测算法的优缺点。根据煤炭价格数据的特点,对数据集的缺失值和离群值进行处理,从不同角度选取影响煤炭价格的因素进行描述性分析。2、从计量经济学、机器学习和深度学习三个不同的角度出发,对特征进行筛选,最终利用滑动窗口策略来实现对监督学习数据的构建。3、提出了基于Attention机制的深度学习预测模型。首先构建RNN、LSTM、Bi LSTM、CNN四个单一模型,分析其优缺点,为进一步改善单一神经网络模型,引入Attention机制以提高模型的准确性和可靠性。对比各模型发现基于注意力机制的Bi LSTM模型和CNN模型更适用于短期煤炭价格预测。4、本文研究了基于串联和并联的不同组合预测方法,将两个较优的单一模型融合在一起。组合方法可以有效地解决单一模型在价格波动点预测结果不稳定的问题,能够更好地满足实际应用的需求。实验结果表明本文提出的基于Attention机制的CNN-Bi LSTM串联预测模型明显优于CNN-Bi LSTM串联模型和CNN-Bi LSTM并联模型,评价指标MAPE下降到0.16%,证明了模型的有效性。本文提出的基于Attention机制的CNN-Bi LSTM串联组合模型能够显著提升短期煤炭价格预测的准确性,可作为短期煤炭价格预测分析的有效模型。