多模型融合下的煤炭價格預測方法

文/賀仁杰

有效掌控煤炭價格走勢有利于保障煤炭供應鏈的安全穩定。本文整合了宏觀經濟、煤炭市場、電力行業等相關數據，篩選出影響煤價的關鍵因素，提出了一種基于Stacking集成學習的組合預測方法。實驗結果顯示，融合后的模型充分發揮了各個基學習器的優勢。與單一模型相比，融合后的Stacking模型具有較小的預測誤差，預測效果更佳。

1.引言

能源供給側結構性改革的目標是優化能源結構，減少無效供給，合理配置資源，提高能源效率。有研究者分析了我國煤炭價格與火力發電的動態關系，也有研究者考慮了煤炭價格的多種影響因素，如工業增加值、發電量和消費量等。隨著機器學習、深度學習的發展，BP神經網絡、混合深度學習分步預測方法等也被用于煤價預測。但這些算法在數據樣本量少的數據集上難以實現精準預測，并且缺乏可解釋性。本文針對上述問題，篩選出影響煤價的關鍵因素，將隨機森林、支持向量回歸、彈性網絡和BP神經網絡與集成學習方式進行融合，構建基于Stacking的組合預測方法，并驗證了其有效性。

2.模型構建與評價指標

考慮到隨機森林的高效性能和自適應特征選擇、彈性網絡的良好泛化能力、SVR的非線性分類能力，以及BP神經網絡簡單靈活，能夠處理非線性問題等優點，本文利用煤炭價格數據集分別構建了模型。Stacking可以利用這些基學習器的優勢，提高整體的預測性能。實驗表明元學習器為嶺回歸時可以取得較好的預測效果，故選用嶺回歸作為元學習器。為了對預測模型性能進行評估比較，本文采用均方誤差（MSE）、平均絕對誤差（MAE）和擬合優度三種常用的評價指標。

3.數據來源及預處理

在進行數據分析之前，需要對數據進行預處理，以便算法能更好地學習數據并做出更準確的判斷與決策。此外，由于本數據集中缺失值較少，采用了將缺失值前后時間段的數據求均值來代替空白缺失值的方法，以保證樣本量不減少。為了減少變量間多重共線性對線性模型參數估計不確定性的影響，需要對數據集進行變量間相關性分析，進行變量篩選和合并，從而減少變量間的多重共線，提高模型精度。

4.結果分析

本文采用四種單一模型分別進行預測，選取數據的80%為訓練集，20%為測試集。RF、SVR、EN和BP模型都表現出較好的擬合效果。將構建的Stacking模型進行訓練后進行預測。各模型的預測的MSE和MAE見表1。可以看出，EN表現出最低的MSE，RF和BP整體表現優越，而且BP的MSE值更低，SVR也實現了較好的預測效果。

表1 各模型預測效果評價

Stacking模型預測的MSE和MAE最小，預測準確率有了明顯提升。Stacking通過多種基學習器結合，可避免模型陷入局部最小點，這也是Stacking可顯著提升預測精度的關鍵原因。

5.總結

本文通過收集經濟數據，找到影響煤價的關鍵因素，并利用集成方式將多個算法融合后進行煤炭價格預測。結果表明，融合模型能夠結合多種模型的優勢，預測的平均誤差較小，明顯提升了預測準確率。但研究中還存在一些不足：由于獲取相關數據不便，后續研究可篩選更多特征納入模型訓練，爭取提供更精確的煤價預測方法。