神经网络技术在煤化工行业产品价格预测中的应用

论文摘要

近年来,我国的煤资源替代进口石油资源的呼声愈发强烈,煤有望成为具有我国特色的一种新能源。随着国际原油价格的持续上扬,煤及煤化工产品的需求量持续上涨,为煤化工行业发展带来了新的机遇和挑战。针对煤化工行业市场变化的分析已成为了业内关注的热点,其中价格趋势预测是煤化工市场分析工作的重要组成部分。但是市场经济下,如何科学地跟踪和预测煤化工产品的价格走势?本文试图利用所处的行业背景,对已有的煤化工产品的历史数据进行数据挖掘为目标,建立一套实用和应用价值的价格预测系统。工作内容主要有三方面:（1）根据BDS检验方法确定煤化工产品的甲醇价格时间序列的非线性性质。并提出将神经网络的非线性自学习逼近特性和时间序列的趋势预测特性结合的探究性思路,建立基于神经网络的多变量时间序列短期预测模型,每月进行预测。（2）运用因素分析方法,分析神经网络用于训练及测试的样本数据。且重视数据的预处理,特别是输入输出变量的选取及异常数据的检测及调整方法。对输入输出变量的选取,提出为简化神经网络结构,以较少的维度表现数据结构,将进口量,出口量,产量三变量合并为表观消费量一个变量。在对异常数据的检测及调整中,借鉴分箱技术,分别考察各影响因素T时刻值与T-1时刻值之差是否过大,根据基于统计学方法的异常检测算法识别各影响因素中的异常数据。（3）根据非线性时间序列相空间重构技术,确定基于BP神经网络的多变量时间序列预测的模型结构,包括L-M优化算法的使用,延迟时间τ的确定等。并用真实数据对模型进行了训练、测试和实际预测,训练及测试结果捕捉到了预测对象价格最高点和最低点,预测精度也较好。并将基于神经网络的多变量时间序列模型与其他两模型预测结果做比较,结果更证明了本文所构建模型的优势。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景与意义
• 1.2 国内外研究现状
• 1.3 主要研究内容
• 1.4 本文结构
• 第二章 时间序列预测理论基础
• 2.1 时间序列特征及分类
• 2.2 非线性时间序列预测
• 2.2.1 非线性时间序列的发展阶段和特点
• 2.2.2 非线性时间序列的相空间重构
• 2.2.3 煤化工产品价格时间序列的非线性检验
• 2.2.4 延迟时间τ和嵌入维数m的选择
• 2.2.5 非线性时间序列的预测方法
• 2.3 本章小结
• 第三章 人工神经网络预测理论基础
• 3.1 人工神经网络概念及特征
• 3.2 人工神经网络的学习方式
• 3.3 BP神经网络基本原理及算法
• 3.3.1 BP神经网络标准学习算法
• 3.3.2 BP神经网络学习算法改进
• 3.4 基于BP网络的时间序列预测方法
• 3.4.1 BP神经网络用于单变量时间序列预测
• 3.4.2 BP神经网络用于多变量时间序列预测
• 3.4.3 BP神经网络用于时间序列预测步骤
• 3.5 本章小结
• 第四章 煤化工行业产品价格预测的神经网络模型
• 4.1 煤化工行业产品价格预测的方法
• 4.2 煤化工行业产品价格预测的评价指标
• 4.3 用于价格预测模型的样本确定
• 4.4 数据预处理
• 4.4.1 煤化工产品价格预测模型中输入输出变量的选取
• 4.4.2 煤化工产品价格预测模型中异常数据的检测及调整
• 4.4.3 训练样本数的选取
• 4.4.4 训练样本的归一化处理
• 4.5 煤化工行业产品价格预测的BP神经网络模型
• 4.5.1 延迟时间τ和嵌入维数m的选取应用
• 4.5.2 神经网络模型的训练和测试
• 4.5.3 模型的有效性检验
• 4.5.4 神经网络模型的预测结果
• 4.5.5 神经网络模型与其他模型预测结果的比较
• 4.6 煤化工行业产品价格预测的BP神经网络模型评价
• 4.7 本章小结
• 第五章 系统设计及实现
• 5.1 系统概述
• 5.2 价格预测系统体系架构
• 5.3 价格预测系统功能结构
• 5.4 系统实现的关键技术
• 5.4.1 时间序列数据处理技术
• 5.4.2 神经网络建模技术与J2EE接口
• 5.5 本章小结
• 第六章 结束语
• 参考文献
• 致谢