基于GRNN神经网络的煤炭价格波动预测

2015-07-05李文莹

商 2015年35期

李文莹

摘要：本文提出了基于GRNN神经网络对煤炭价格波动进行预测的理论，通过GRNN神经网络，利用MATLAB和WEKA等软件以及粗糙集等理论分析并验证了国内生产总值、煤炭生产总量、消费总量等因素对煤炭价格波动的影响。成功实现了对煤炭价格波动基于GRNN神经网络的训练和预测；建立了煤炭价格波动的预测模型，大大提高了预测的准确度；基于GRNN神经网络的预测结果准确率为87.5%。结果表明：GRNN神经网络对煤炭价格波动的预测是较成功的。

关键词：GRNN神经网络；煤炭价格；价格波动；预测

1.引言

煤炭、石油、天然气构成了当今中国能源的主体，在经历了煤炭经济的“黄金十年”期之后，煤炭经济形势不容乐观。生产成本居高不下，煤炭价格下跌，引发煤炭行业的危机。很多专家学者也对此问题进行了研究。文献[1]和[2]对煤炭价格的影响因素进行了全面的分析，但是缺乏对煤炭价格变化趋势的预测[1～2]；文献[3]重点在于研究区域性的影响结果，并提出了相应的措施，但是研究不具有普遍性[3]；文献[4]对煤炭价格进行了预测，但在分析影响因素时尚有欠缺[4]；文献[5]利用误差修正模型对影响煤炭价格因素进行了实证分析，得出煤炭需求波动是价格波动的格兰杰原因[5]。以上文献大都针对煤炭价格影响因素进行分析，但是在分析之后对煤炭价格预测的研究较少。本文拟通过对影响煤炭价格的内部因素和外部因素进行分析，并对未来的走势做出相应的预测，建立煤炭价格波动的预测模型。

2.煤炭价格影响因素的分析

通过查阅文献[5]～[9]，发现煤炭价格直接反应了本行业的供需变化，同时是国家经济形势的具体表现。本文确定煤炭价格的影响因素如下：

本文重点分析国民经济发展状况与供需变化对煤炭价格的影响。国民经济发展情况是一个影响煤炭价格变化的综合性因素。它的变化可以带来很多其他外部影响因素发生变化。例如：人民币汇率的变化，煤炭生产量的变化，国家相关政策的变化等。在对国民经济发展状况进行分析时，一般将国民生产总值（GDP）作为量化的标准。本文中采用国民生产总值这一指标对煤炭价格的影响情况进行量化分析。

在经济学原理的完全竞争市场条件下，供需的变化是决定市场价格的一个重要因素。煤炭供需因素包括煤炭储量、煤炭供需总量差额、煤炭运输能力和煤炭的分布与开发顺序。煤炭供需总量又包括煤炭产量、煤炭消费量、煤炭资源储备情况等[1]。本文利用煤炭生产总量和煤炭消费总量两个指标代表供需因素，进行量化分析。

我国煤炭的主要产地与主要消费地距离远，并且煤炭自有资源有限，基本是地下开采，开采成本高，煤炭市场价格高。对于某些消费地，进口的煤炭运距短，而且这些国家煤炭开采成本低，具有价格优势[1]。由于我国国内经济发展快速，煤炭资源市场供需有缺失，煤炭开采成本高，因此煤炭价格不断上涨。本文采用煤进口量和煤出口量两个指标代表进出口因素进行分析。

3.煤炭价格预测

3.1样本采集及预处理

本文收集了煤炭价格5个影响因素近9年每季度的数据，共36组，将前28组作为训练样本，后8组为待测样本。

应用WEKA对这五个指标进行归一化处理，为了方便，我们记国内生产总值GDP为A1、煤炭进口总量为A2、原煤总产量为A3、煤炭销量为A4、煤炭出口总量为A5、煤炭价格为C，价格下降表示为-1，上升表示为1，本文以2003年4季度的全国煤炭平均价格作为基期的煤炭价格。

然后对归一化的原始数据进行离散化处理，离散化处理后，对样本数据进行属性约简。发现五个影响因素均不可删除，将归一化处理以及属性约简后的数据作为新的样本数据。

3.2模型预测

运用MATLAB软件，通过编写以下程序在对样本进行训练的过程中寻找最佳spread值，从而对待预测样本进行预测。spread值的作用是使输出结果达到最优化，最佳spread值为0.1，通过对28组样本进行训练，并对8组待测样本进行预测，其预测程序如下：

3.3结果分析

根据预测结果（表4）可知，GRNN神经网络的预测结果中，只有第29组待测样本的预测结果与实际情况不相符，其余7组的预测结果与实际情况相符，预测正确率为87.5%（7/8）。可见，总体而言，GRNN神经网络预测较为准确。

4.结论

（1）本文通过利用GRNN神经网络，对影响煤炭价格波动的五个因素进行了训练和分类，利用28组数据验证了五个影响因素对煤炭价格波动的影响。

（2）利用MATLAB、WEKA等软件，对8组待测样本进行了基于GRNN神经网络的训练和预测，预测结果准确率为87.5%（7/8）。