一种基于多变量分析的煤价预测方法及系统技术方案

本发明专利技术提供了一种基于多变量分析的煤价预测方法及系统，所述方法为：对多个煤价影响因素利用主成分分析法进行降维处理，使用遗传算法、BP神经网络相结合对煤价进行预测。本发明专利技术的优势在于：先对影响因素进行主成分分析，降维处理，避免因为输入过多导致的运算缓慢和过拟合现象，提高预测速度；在BP神经网络中加入遗传算法，避免出现局部最优问题；使用主成分分析、遗传算法、BP神经网络相结合的方案，在保证运算速度的同时，提升预测精度及预测稳定性。性。性。

【技术实现步骤摘要】
一种基于多变量分析的煤价预测方法及系统


[0001]本专利技术属于一种煤价预测领域，具体涉及一种基于多变量分析的煤价预测方法及系统。

技术介绍

[0002]随着各国经济的不断发展和社会的不断进步，能源在社会发展中的作用日益显著，与其他国家相比，我国的能源生产和消费在很大程度上依赖煤炭资源，虽然新能源的大规模利用减少了煤炭的消耗，但是我国“富煤、贫油、少气”的资源禀赋决定了煤炭在未来相当长的一段时间内仍会在我国能源结构中占据很大的比例。
[0003]煤炭在我国的民生中占据了重要地位，作为产业链的重要一环，煤炭价格的变动对产业链上下游都会产生影响，了解煤价的变化趋势并且准确预测煤价对于煤炭采购以及上下游产业定价都有重要的意义。
[0004]煤炭作为工业能源和大宗商品，定价较早完成了市场化，煤价主要受煤炭供应和煤炭需求的影响，包括生产和运输成本、煤炭库存、宏观经济、国家政策、季节和气候等。影响煤价的因素在时刻变化，而且各种因素的变化也难以预测，传统对于煤炭价格的预测方法是煤炭采购业务人员根据自身经验，结合当前收集的部分燃料数据进行人工预测，预测准确性较差。随着人工智能的兴起，BP神经网络也被应用到煤价预测当中，普遍做法是直接将影响煤价的因素作为BP神经网络的输入进行煤价预测，但是影响煤价的因素众多，直接将影响因素作为输入会影响预测速度，权重较小的输入会影响预测精度，甚至出现过拟合现象，而且神经网络容易陷入局部最优问题。基于以上分析，本专利技术提出一种基于多变量分析的煤价预测方法。

技术实现思路
/>[0005]本专利技术的目的在于克服现有通过神经网络进行煤价预测时影响煤价的因素众多，直接将影响因素作为输入会影响预测速度，权重较小的输入会影响预测精度，甚至出现过拟合现象，而且神经网络容易陷入局部最优问题的缺陷。
[0006]为了实现上述目的，本专利技术提出了一种基于多变量分析的煤价预测方法，所述方法为：对多个煤价影响因素利用主成分分析法进行降维处理，使用遗传算法、BP神经网络相结合对煤价进行预测。
[0007]作为上述方法的一种改进，所述方法具体包括：
[0008]步骤1：获取影响煤价的因素，得到影响因素矩阵：
[0009][0010]其中，n为某个影响因素的数据个数；p为影响因素数量；x为影响因素；
[0011]步骤2：计算相关系数矩阵R：
[0012][0013]其中，r
ij
为影响因素矩阵中第i列和第j列数据标准化后的相关系数：
[0014][0015]其中，x
ki
为第k行第i列影响因素，x
kj
为第k行第j列影响因素；分别为第i列和第j列数据的平均值，i，j＝1，2，
…
，p；
[0016]步骤3，：求解特征方程|λ
i
‑
R|＝0，得到特征根λ
i
，并将特征根由大到小排序，λ1≥λ2≥
…
≥λ
p
≥0，然后求出特征值λ
i
对应的特征向量e
i
；i＝1，2，
…
，p；要求其中表示向量e
i
的第j个分向量；
[0017]步骤4：计算主成分贡献率及累计贡献率，其中贡献率为：
[0018][0019]累计贡献率为：
[0020][0021]取累计贡献率达85％
‑
95％的特征值λ1，λ2，
…
，λ
m
所对应的第1、2、
…
、m(m≤p)个成分作为主成分；
[0022]步骤5：计算主成分载荷：
[0023][0024]获得各主成分载荷后，计算各主成分得分：
[0025]即
[0026]步骤6：将主成分输入BP神经网络进行煤价预测；所述BP神经网络，通过设置遗传算法参数，进行选择、交叉和变异运算，获取最优的权值和阈值，完成训练。
[0027]作为上述方法的一种改进，所述BP神经网络的参数设置为：训练次数取值范围100～10000；学习速率取值范围0.01～0.1；训练目标最小误差取值范围0.00001～0.0001；隐含层节点个数使用经验公式其中m为输入层节点个数，n为输出层节点个数，a为1～10之间的整数，使用循环来遍历范围内的隐含层节点与训练误差，从而确定最佳的隐含层节点。
[0028]作为上述方法的一种改进，所述设置遗传算法参数：进化代数取值范围10～50；种群规模为取值范围1～100；交叉概率取值范围0.1～1；变异概率取值范围0.001～0.1；权重和阈值的取值范围为
‑
2～2。
[0029]本专利技术还提供一种基于多变量分析的煤价预测系统，所述系统包括：
[0030]获取影响煤价因素模块，用于得到影响因素矩阵；
[0031]计算相关系数矩阵模块，用于计算相关系数矩阵；
[0032]计算特征根模块，用于求解特征方程，计算特征根；
[0033]计算贡献率及累计贡献率模块，用于计算贡献率及累计贡献率，获取主成分；
[0034]计算主成分载荷模块，用于计算主成分载荷；
[0035]预测煤价模块，用于使用BP神经网络和遗传算法进行煤价预测。
[0036]作为上述系统的一种改进，所述BP神经网络的参数设置为：训练次数取值范围100～10000；学习速率取值范围0.01～0.1；训练目标最小误差取值范围0.00001～0.0001；隐含层节点个数使用经验公式其中m为输入层节点个数，n为输出层节点个数，a为1～10之间的整数，使用循环来遍历范围内的隐含层节点与训练误差，从而确定最佳的隐含层节点。
[0037]作为上述系统的一种改进，所述遗传算法参数的设置为：进化代数取值范围10～50；种群规模为取值范围1～100；交叉概率取值范围0.1～1；变异概率取值范围0.001～0.1；权重和阈值的取值范围为
‑
2～2。
[0038]本专利技术还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的方法。
[0039]本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如上述任一项所述的方法。
[0040]与现有技术相比，本专利技术的优势在于：
[0041]1、先对影响因素进行主成分分析，降维处理，避免因为输入过多导致的运算缓慢和过拟合现象，提高预测速度；
[0042]2、在BP神经网络中加入遗传算法，避免出现局部最优问题；
[0043]3、使用主成分分析、遗传算法、BP神经网络相结合的方案，在保证运算速度的同时，提升预测精度及预测稳定性。
附图说明
[0044]图1所示为基于多变量分析的煤价预测方法基本流程图；...

【技术保护点】

【技术特征摘要】
1.一种基于多变量分析的煤价预测方法，所述方法为：对多个煤价影响因素利用主成分分析法进行降维处理，使用遗传算法、BP神经网络相结合对煤价进行预测。2.根据权利要求1所述的基于多变量分析的煤价预测方法，其特征在于，所述方法具体包括：步骤1：获取影响煤价的因素，得到影响因素矩阵：其中，n为某个影响因素的数据个数；p为影响因素数量；x为影响因素；步骤2：计算相关系数矩阵R：其中，r
ij
为影响因素矩阵中第i列和第j列数据标准化后的相关系数：其中，x
ki
为第k行第i列影响因素，x
kj
为第k行第j列影响因素；分别为第i列和第j列数据的平均值，i,j＝1,2,
…
,p；步骤3：求解特征方程|λ
i
‑
R|＝0，得到特征根λ
i
，并将特征根由大到小排序，λ1≥λ2≥
…
≥λ
p
≥0，然后求出特征根λ
i
对应的特征向量e
i
，要求其中表示向量e
i
的第j个分向量；步骤4：计算主成分贡献率及累计贡献率，其中贡献率为：累计贡献率为：取累计贡献率达85％
‑
95％的特征值λ1,λ2,
…
,λ
m
所对应的第1、2、
…
、m，m≤p个成分作为主成分；步骤5：计算主成分载荷l
ij
：获得各主成分载荷后，计算各主成分得分：即步骤6：将主成分输入BP神经网络进行煤价预测；所述BP神经网络，通过设置遗传算法
参数，进行选择、交叉和变异运算，获取最优的权值和阈值，完成训练。3.根据权利要求2所述的基于多变量分析的煤价预测方法，其特征在于，所述BP神经网络的参数设置为：训练次数取值范围100～10000；学习速率取值范围0.01～0.1；训练目标最小误差取值范围0.00001～0...

【专利技术属性】
技术研发人员：须钢，刘治平，丛佳慧，王聪，孙常亮，江龙，胡松，向军，
申请(专利权)人：国家电投集团数字科技有限公司，
类型：发明
国别省市：