多模型融合下的煤炭价格预测方法

文/贺仁杰

有效掌控煤炭价格走势有利于保障煤炭供应链的安全稳定。本文整合了宏观经济、煤炭市场、电力行业等相关数据，筛选出影响煤价的关键因素，提出了一种基于Stacking集成学习的组合预测方法。实验结果显示，融合后的模型充分发挥了各个基学习器的优势。与单一模型相比，融合后的Stacking模型具有较小的预测误差，预测效果更佳。

1.引言

能源供给侧结构性改革的目标是优化能源结构，减少无效供给，合理配置资源，提高能源效率。有研究者分析了我国煤炭价格与火力发电的动态关系，也有研究者考虑了煤炭价格的多种影响因素，如工业增加值、发电量和消费量等。随着机器学习、深度学习的发展，BP神经网络、混合深度学习分步预测方法等也被用于煤价预测。但这些算法在数据样本量少的数据集上难以实现精准预测，并且缺乏可解释性。本文针对上述问题，筛选出影响煤价的关键因素，将随机森林、支持向量回归、弹性网络和BP神经网络与集成学习方式进行融合，构建基于Stacking的组合预测方法，并验证了其有效性。

2.模型构建与评价指标

考虑到随机森林的高效性能和自适应特征选择、弹性网络的良好泛化能力、SVR的非线性分类能力，以及BP神经网络简单灵活，能够处理非线性问题等优点，本文利用煤炭价格数据集分别构建了模型。Stacking可以利用这些基学习器的优势，提高整体的预测性能。实验表明元学习器为岭回归时可以取得较好的预测效果，故选用岭回归作为元学习器。为了对预测模型性能进行评估比较，本文采用均方误差（MSE）、平均绝对误差（MAE）和拟合优度三种常用的评价指标。

3.数据来源及预处理

在进行数据分析之前，需要对数据进行预处理，以便算法能更好地学习数据并做出更准确的判断与决策。此外，由于本数据集中缺失值较少，采用了将缺失值前后时间段的数据求均值来代替空白缺失值的方法，以保证样本量不减少。为了减少变量间多重共线性对线性模型参数估计不确定性的影响，需要对数据集进行变量间相关性分析，进行变量筛选和合并，从而减少变量间的多重共线，提高模型精度。

4.结果分析

本文采用四种单一模型分别进行预测，选取数据的80%为训练集，20%为测试集。RF、SVR、EN和BP模型都表现出较好的拟合效果。将构建的Stacking模型进行训练后进行预测。各模型的预测的MSE和MAE见表1。可以看出，EN表现出最低的MSE，RF和BP整体表现优越，而且BP的MSE值更低，SVR也实现了较好的预测效果。

表1 各模型预测效果评价

Stacking模型预测的MSE和MAE最小，预测准确率有了明显提升。Stacking通过多种基学习器结合，可避免模型陷入局部最小点，这也是Stacking可显著提升预测精度的关键原因。

5.总结

本文通过收集经济数据，找到影响煤价的关键因素，并利用集成方式将多个算法融合后进行煤炭价格预测。结果表明，融合模型能够结合多种模型的优势，预测的平均误差较小，明显提升了预测准确率。但研究中还存在一些不足：由于获取相关数据不便，后续研究可筛选更多特征纳入模型训练，争取提供更精确的煤价预测方法。