基于神经网络的煤炭价格预测研究

杨海祥

摘要：本文主要针对煤炭价格的内部因素和外部因素两部分进行研究，利用内部因素、外部因素，做了量化分析确定了影响因素的权重排序依次是煤炭铁路运输能力、国家政策、煤炭供需煤炭开采外部性成本缺失、美国煤炭价格、煤炭替代能源、通货膨胀。首先我们通过查阅煤炭相关信息和研究文献，通过主要因素加权平均，构造出三项关键指标，即“煤炭消费综合因素”、“综合政策因素”和“综合市场因素”，其次我们根据已知数据，利用三次样条插值得到未来指标的预测数据。接着，基于神经网络，我们首先对671项已知数据进行分为训练组和实验组进行预处理，避免过拟合问题的产生，最后我们将三项指标下的预测数据代入，利用工具箱和循环代码，便可以拟合出按周为单位的预测数据。

关键词：量化分析;BP神经网络;循环代码

中图分类号：F426.21;F764.1文献标识码：A文章编号：1672-9129（2020）13-0066-01

引言：煤炭的价格与国家的政策，国内外市场的供需息息相关。同时，它的价格也会受到我们日常生产和生活方式的影响，受到成本和能源使用的控制，通过分析，找出十种以内影响煤炭价格的主要指标并通过建立数学模型将其量化。以我国秦皇岛港动力煤价格作为分析对象，对2019.5.1-2020.1.30这段时间内，对秦皇岛港动力煤价格产生主要影响的因素按从大到小的顺序进行排列。使用秦皇岛港动力煤炭价格的历史信息，建立煤炭价格的预测模型，分别以每天、每周和每月作为单位，预测未来秦皇岛的煤炭具体价格。

1问题分析

影响煤炭价格波动的十条以内的主要因素，其次通过数学模型的方式量化分析权重，并进行排序。之后通过回归分析的方法通过分析秦皇岛煤矿数据确定影响其价格波动的最重要因素，并进行排名。建立预测量化指标，再通过神经网络或插值法对所建立的指标进行预测，得到未来的量化指标。接着使用BP神经网络，利用已知数据进行模拟实验，确定最佳参数及算法，通过该系统完成预测，再对预测数据进行插值等处理即可得到题目要求结果。

2模型的建立与求解

煤炭价格的影响因素可以划分为两大部分，内部因素和外部因素。内部因素是指构成煤炭价格的各个因素，包括煤炭的生产成本、运输成本、销售成本等等外部影响因素是指除煤炭价格构成因素之外的其他影响因素。生产阶段价格包括生产企业的采煤成本，生产环节产生的税费，生产企业利润，生产过程中产生的健康、安全与环境成本等等。流通环节的价格分二部分，煤炭经销商与煤炭经销商之间的价格增值，煤炭经销商与最终消费者之间产生的价格增值。这样，流通环节的价格包括煤炭经销商与生产企业之间的交易成本，运输成本，流通环节的各种税费，贸易企业的利润;煤炭经销商与煤炭经销商之间的交易成本，运输成本，流通环节的各种税费，贸易企业的利润：煤炭经销商与消费企业之间的交易成本，交易过程中产生的税费等几部分。

我们将煤炭价格的外部影响因素归纳为煤炭供需因素、国民经济发展状况、煤炭替代能源发展状况、国家相关政策、煤炭定价机制、煤炭开采外部性成本缺失、货币发行量与通货膨胀、国际煤炭市场煤炭价格等几类。煤炭的价格和煤炭货运综合指数变化趋势呈现正相关关系，我们可以认为在不存在其他影响煤价的因素情况下，运费平均每上涨1.12%，煤价平均上涨1.8%，通过归一化处理我们确定运费每上涨一个百分点，煤价会受运费影响上涨1.6个百分点，我们将单因素影响指标定为xa，对于多因素影响混合指标我们用加权平均的方式进行计算，设多因素影响指标为a，fk为每个因素对煤价的影响程度，具体计算方法可以参照问题一的重要性程度来计算，则的计算公式为：

α=x1f1+x2f2+...+xkfkn

为了更为精确的预测未来受多种偶然因素影响的煤炭价格，我们在传统ARIMA模型基础上提出了ARIMA综合预测模型，形成了一个更为全面的煤炭价格综合预测模型。

结论：我们首先进行了突发情况煤炭运费单因素指标对煤炭价格影响程度的分析，通过煤炭价格和煤炭运费综合指数的对比我们确定了运费的影响程度为1.6个百分点，为了预测突发情况的煤炭价格变化，我们结合指标提出了可修订ARIMA模型，利用SPSS进行了模型的求解，通过进行秦皇岛港动力煤历史价格和模型预测值作对比验证了模型的准确性，最终我们对秦皇岛港动力煤未来40年的平均价格进行了可修订ARIMA预测，可以根据修订模型对不同突发情况进行修订。

参考文献：

[1]王雅萍.中国主要能源价格波动风险评价研究[D].江苏大学，2016.

[2]郭建利，程蕾，孙博超，颜瑞.基于ARIMA-SVM的煤炭价格预测及实证研究[J].煤炭经济研究，2016，36（02）：6-10.

[3]秦皇岛煤炭网.

[4]用SPSS建立ARIMA预测模型.

[5]曾庆婷. 基于BP神经网络的煤炭企业关键岗位人岗匹配模型研究[D].中国矿业大学，2015.

[6]龚立雄，刘世雄，王灿林.基于BP神经网络的煤炭量消耗预测模型研究[J].湖北工程学院学报，2017，37（06）：73-77.

[7]李朋林，梁露露. 基于BP神经网络的煤炭价格影响因素及预测研究[S].数学的实践与认识，2015.9

[8]曹沉浮. 我国煤炭价格变动趋势及其影响因素的实證研究[D].西安科技大学，2010.

[9]田书晶. 我国煤炭市场供求分析及其价格研究[D].对外经济贸易大学，2006.