基于BP 神经网络的煤炭价格预测研究

殷金恒

（沈阳理工大学，辽宁 沈阳 110000）

1 引言

第一次工业革命以来，煤炭一直是世界工业发展的主要能源，即使当今社会大力提倡发展清洁能源，煤炭仍然占据主导地位。每年都会因为种种原因导致煤炭的价格出现一定的波动，煤炭价格的变化不仅仅会影响自身行业的发展，同时也会导致部分相关的行业在其影响下出现一些问题。从2012 年以来，由于一些原因导致了煤炭的价格在整体上处于下跌的趋势，给很多煤炭方面的大企业造成了很大的困扰。中国作为发展中的大国，煤炭的供应量和需求量每年位居世界前列，因此对煤炭的价格进行研究尤为必要。

2 问题分析

影响煤炭价格的主要有煤炭的产量、进出口量、消费量、煤炭成本以及可替代能源石油的价格，运用主成分分析法先将原始数据进行标准化处理，再计算相关系数矩阵及其特征值和特征向量，最后确定主成分计算综合评价值，将因素进行排序。运用灰色预测和时间序列分解法进行预测，表格中的数据间隔为7 d，在预测未来31 d 的煤炭价格时，取2020-04 的数据进行插值，再使用灰色预测进行短期预测。未来35 周根据原始数据使用时间序列分解法先对月份进行预测，再通过插值得出周的预测数据。预测未来36 个月的煤炭价格时，将4 周的煤炭价格取平均值代表该月的价格，使用时间序列分解法进行预测。分析突发事件对每种价格影响因素的大小，对原数据进行预处理，将影响煤炭价格的因素作为输入层的输入向量，设立1 个隐含层，根据经验隐含层设定6 个神经元节点，煤炭价格为输出神经元，利用MATLAB 对神经网络进行训练，得到最终的预测结果。

3 模型的建立

将6 个煤炭价格的影响因素作为输入层，设定1 个隐含层，利用MATLAB 工具箱隐含层设定6 个单元，煤炭价格作为输出层；用数据对神经网络进行训练，训练过程中对神经网络进行修正，最后得到预测结果。

输入层由6 个煤炭价格影响因素组成，所以有3 个节点；输出层为煤炭价格，有1 个节点组成；隐层的个数由于没有统一的标准，以公式（m，n为输入层和输出层的节点数，a为1～10 之间的数）来确定，故设定1 个隐含层，隐含层内设定6 个单元。

取（-1，1）之间的随机数初始化网络权值w、阀值θ、输入学习速度γ、期望误差ε、输入原始数据矩阵a和目标数据矩阵T，计算出隐层各神经元的输出矩阵B和输出层的输出矩阵C：

当网络训练到平方和误差E＜ε时，BP 神经网络的结构就真正确定下来。然后把检验样品输入网络与实际值进行比较，如果符合度不高，就重新训练，直到检验样品的训练结果和实际值符合度较高。这时再把测试样品输入神经网络即可得到结果。根据历史数据预测未来31 d、35 周、36 个月煤炭价格。

4 模型的求解

运用MATLAB 神经网络工具箱对未来一段时间煤炭价格进行预测，结果如图1 所示。

图1 预测值与真实值对比

利用MATLAB 神经网络工具箱作出所创建的神经网络的各个指标的图像，从图像中可以看出，网络在第三次迭代是已经达到最佳性能，停止训练而且训练网络的各个指标值已经达到设置值。通过图2 可以看出，每个R值都大于0.95，甚至有3 个达到1，R值越接近于1，预测值越准确，网络越性能良好。具体数据见如图2 所示。

进行BP 神经网络训练需要精确的数据作为保证，在很大程度上决定了网络的性能和精确度。但由于中国煤炭网暂未开放，网络数据部分缺失，本文选取的样本数量相对较少，因此，在一定程度上降低了BP 神经网络预测模型的精确度。在后续的研究中，需进一步完善样本数据，提高该模型的精确度。同时，在BP 神经网络的编程中，设置值也局限了网络的迭代的精确度，当指标达到设置值，网络就停止了训练，可以通过改变（提高或降低）设置值来提高网络的精确度。

图2 检验指标R 值

5 结论

从模型所考虑到的影响因素分析，对于该问题所建立的模型只考虑了6 个主要影响因素，忽略了其他方面的影响因素，或许其他的因素中有对煤炭价格影响相对比较显著的部分。综合以上预测分析可以得出：未来一段时间内，中国的煤炭价格相对稳定，在502～602 元/t 间波动，年初煤炭价格较高，年底价格相对较低，因此建议相关企业可以考虑在年底进行采购，由此也可以推断出煤炭的股市也相对平稳。