基于BP 神經(jīng)網(wǎng)絡(luò)的煤炭?jī)r(jià)格預(yù)測(cè)研究

殷金恒

（沈陽(yáng)理工大學(xué)，遼寧 沈陽(yáng) 110000）

1 引言

第一次工業(yè)革命以來(lái)，煤炭一直是世界工業(yè)發(fā)展的主要能源，即使當(dāng)今社會(huì)大力提倡發(fā)展清潔能源，煤炭仍然占據(jù)主導(dǎo)地位。每年都會(huì)因?yàn)榉N種原因?qū)е旅禾康膬r(jià)格出現(xiàn)一定的波動(dòng)，煤炭?jī)r(jià)格的變化不僅僅會(huì)影響自身行業(yè)的發(fā)展，同時(shí)也會(huì)導(dǎo)致部分相關(guān)的行業(yè)在其影響下出現(xiàn)一些問(wèn)題。從2012 年以來(lái)，由于一些原因?qū)е铝嗣禾康膬r(jià)格在整體上處于下跌的趨勢(shì)，給很多煤炭方面的大企業(yè)造成了很大的困擾。中國(guó)作為發(fā)展中的大國(guó)，煤炭的供應(yīng)量和需求量每年位居世界前列，因此對(duì)煤炭的價(jià)格進(jìn)行研究尤為必要。

2 問(wèn)題分析

影響煤炭?jī)r(jià)格的主要有煤炭的產(chǎn)量、進(jìn)出口量、消費(fèi)量、煤炭成本以及可替代能源石油的價(jià)格，運(yùn)用主成分分析法先將原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，再計(jì)算相關(guān)系數(shù)矩陣及其特征值和特征向量，最后確定主成分計(jì)算綜合評(píng)價(jià)值，將因素進(jìn)行排序。運(yùn)用灰色預(yù)測(cè)和時(shí)間序列分解法進(jìn)行預(yù)測(cè)，表格中的數(shù)據(jù)間隔為7 d，在預(yù)測(cè)未來(lái)31 d 的煤炭?jī)r(jià)格時(shí)，取2020-04 的數(shù)據(jù)進(jìn)行插值，再使用灰色預(yù)測(cè)進(jìn)行短期預(yù)測(cè)。未來(lái)35 周根據(jù)原始數(shù)據(jù)使用時(shí)間序列分解法先對(duì)月份進(jìn)行預(yù)測(cè)，再通過(guò)插值得出周的預(yù)測(cè)數(shù)據(jù)。預(yù)測(cè)未來(lái)36 個(gè)月的煤炭?jī)r(jià)格時(shí)，將4 周的煤炭?jī)r(jià)格取平均值代表該月的價(jià)格，使用時(shí)間序列分解法進(jìn)行預(yù)測(cè)。分析突發(fā)事件對(duì)每種價(jià)格影響因素的大小，對(duì)原數(shù)據(jù)進(jìn)行預(yù)處理，將影響煤炭?jī)r(jià)格的因素作為輸入層的輸入向量，設(shè)立1 個(gè)隱含層，根據(jù)經(jīng)驗(yàn)隱含層設(shè)定6 個(gè)神經(jīng)元節(jié)點(diǎn)，煤炭?jī)r(jià)格為輸出神經(jīng)元，利用MATLAB 對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到最終的預(yù)測(cè)結(jié)果。

3 模型的建立

將6 個(gè)煤炭?jī)r(jià)格的影響因素作為輸入層，設(shè)定1 個(gè)隱含層，利用MATLAB 工具箱隱含層設(shè)定6 個(gè)單元，煤炭?jī)r(jià)格作為輸出層；用數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行修正，最后得到預(yù)測(cè)結(jié)果。

輸入層由6 個(gè)煤炭?jī)r(jià)格影響因素組成，所以有3 個(gè)節(jié)點(diǎn)；輸出層為煤炭?jī)r(jià)格，有1 個(gè)節(jié)點(diǎn)組成；隱層的個(gè)數(shù)由于沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)，以公式（m，n為輸入層和輸出層的節(jié)點(diǎn)數(shù)，a為1～10 之間的數(shù)）來(lái)確定，故設(shè)定1 個(gè)隱含層，隱含層內(nèi)設(shè)定6 個(gè)單元。

取（-1，1）之間的隨機(jī)數(shù)初始化網(wǎng)絡(luò)權(quán)值w、閥值θ、輸入學(xué)習(xí)速度γ、期望誤差ε、輸入原始數(shù)據(jù)矩陣a和目標(biāo)數(shù)據(jù)矩陣T，計(jì)算出隱層各神經(jīng)元的輸出矩陣B和輸出層的輸出矩陣C：

當(dāng)網(wǎng)絡(luò)訓(xùn)練到平方和誤差E＜ε時(shí)，BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)就真正確定下來(lái)。然后把檢驗(yàn)樣品輸入網(wǎng)絡(luò)與實(shí)際值進(jìn)行比較，如果符合度不高，就重新訓(xùn)練，直到檢驗(yàn)樣品的訓(xùn)練結(jié)果和實(shí)際值符合度較高。這時(shí)再把測(cè)試樣品輸入神經(jīng)網(wǎng)絡(luò)即可得到結(jié)果。根據(jù)歷史數(shù)據(jù)預(yù)測(cè)未來(lái)31 d、35 周、36 個(gè)月煤炭?jī)r(jià)格。

4 模型的求解

運(yùn)用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱對(duì)未來(lái)一段時(shí)間煤炭?jī)r(jià)格進(jìn)行預(yù)測(cè)，結(jié)果如圖1 所示。

圖1 預(yù)測(cè)值與真實(shí)值對(duì)比

利用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱作出所創(chuàng)建的神經(jīng)網(wǎng)絡(luò)的各個(gè)指標(biāo)的圖像，從圖像中可以看出，網(wǎng)絡(luò)在第三次迭代是已經(jīng)達(dá)到最佳性能，停止訓(xùn)練而且訓(xùn)練網(wǎng)絡(luò)的各個(gè)指標(biāo)值已經(jīng)達(dá)到設(shè)置值。通過(guò)圖2 可以看出，每個(gè)R值都大于0.95，甚至有3 個(gè)達(dá)到1，R值越接近于1，預(yù)測(cè)值越準(zhǔn)確，網(wǎng)絡(luò)越性能良好。具體數(shù)據(jù)見(jiàn)如圖2 所示。

進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要精確的數(shù)據(jù)作為保證，在很大程度上決定了網(wǎng)絡(luò)的性能和精確度。但由于中國(guó)煤炭網(wǎng)暫未開(kāi)放，網(wǎng)絡(luò)數(shù)據(jù)部分缺失，本文選取的樣本數(shù)量相對(duì)較少，因此，在一定程度上降低了BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的精確度。在后續(xù)的研究中，需進(jìn)一步完善樣本數(shù)據(jù)，提高該模型的精確度。同時(shí)，在BP 神經(jīng)網(wǎng)絡(luò)的編程中，設(shè)置值也局限了網(wǎng)絡(luò)的迭代的精確度，當(dāng)指標(biāo)達(dá)到設(shè)置值，網(wǎng)絡(luò)就停止了訓(xùn)練，可以通過(guò)改變（提高或降低）設(shè)置值來(lái)提高網(wǎng)絡(luò)的精確度。

圖2 檢驗(yàn)指標(biāo)R 值

5 結(jié)論

從模型所考慮到的影響因素分析，對(duì)于該問(wèn)題所建立的模型只考慮了6 個(gè)主要影響因素，忽略了其他方面的影響因素，或許其他的因素中有對(duì)煤炭?jī)r(jià)格影響相對(duì)比較顯著的部分。綜合以上預(yù)測(cè)分析可以得出：未來(lái)一段時(shí)間內(nèi)，中國(guó)的煤炭?jī)r(jià)格相對(duì)穩(wěn)定，在502～602 元/t 間波動(dòng)，年初煤炭?jī)r(jià)格較高，年底價(jià)格相對(duì)較低，因此建議相關(guān)企業(yè)可以考慮在年底進(jìn)行采購(gòu)，由此也可以推斷出煤炭的股市也相對(duì)平穩(wěn)。