【技术实现步骤摘要】
本专利技术涉及天然气和人工智能，特别涉及一种基于相似分析的价格预测模型、构建方法及其应用。
技术介绍
1、天然气的价格对于相关行业的发展具有重要参考意义。目前液化天然气(lng，lequid natural gas)加工厂往往通过相关工作人员长期积累的经验及近期lng报价进行未来lng趋势预测，存在主观性。
2、现有的技术中，由于天然气的价格影响因素众多，目前很难采用现成的机器学习算法直接进行对应的价格预测，预测准确度低。
技术实现思路
1、针对上述问题，本专利技术提供了一种基于相似分析的构建价格预测模型及其应用方法。
2、第一方面，本专利技术提供了一种基于相似分析的构建价格预测模型的方法。上述方法包括：针对多个历史时间段内的天然气价格时序数据，选取其中一个或多个天然气价格时序数据作为目标序列，除每个目标序列之外的其余天然气价格时序数据作为候选序列；确定上述候选序列和上述目标序列之间的综合相似度，上述综合相似度用于表征上述候选序列和上述目标序列各自的宏观因素和微观因素之间的相似程度；根据上述综合相似度，在上述候选序列中筛选与上述目标序列相似的一个或多个参考序列；以及根据上述参考序列和上述目标序列来对机器学习模型进行训练，其中上述机器学习模型的输入为上述参考序列，输出为价格预测结果，上述目标序列作为训练标签，训练完成的机器学习模型作为价格预测模型。
3、进一步的，上述确定上述候选序列和上述目标序列之间的综合相似度，包括：基于因果分析模型，确定上述天
4、进一步的，上述基于因果分析模型，确定上述天然气价格时序数据的价格影响因素，包括：确定对每个上述天然气价格时序数据可能存在影响的潜在影响因素；基于因果分析模型验证上述潜在影响因素和每个上述天然气价格时序数据之间的因果关系，剔除上述潜在影响因素中的无关因素，得到价格影响因素。
5、进一步的，上述因果分析模型为格兰杰因果分析模型。
6、进一步的，根据上述价格影响因素，确定上述候选序列和上述目标序列之间的关联度，包括将上述候选序列和上述目标序列各自的价格影响因素进行无量纲处理，分别作为向量中的元素，构造出上述候选序列的第一特征向量和上述目标序列的第二特征向量；计算每个第一特征向量和上述第二特征向量对应元素之间的关联系数；计算每个第一特征向量和上述第二特征向量的多个对应元素的关联系数的均值，上述均值作为每个上述候选序列和上述目标序列之间的关联度。
7、第二方面，本专利技术提供了一种基于相似分析的价格预测模型，包括：第一层模型和第二层模型，上述第一层模型包括一个或多个初级机器学习模型，上述第二层模型包括一个次级机器学习模型。上述参考序列分别输入至上述多个初级机器学习模型中，对应输出得到多个初级预测结果；上述多个初级预测结果输入至上述次级机器学习模型中，输出得到与上述参考序列具有相似时段的特定时段的价格预测结果；上述特定时段的实际价格为上述目标序列；将上述目标序列作为训练标签，对上述多个初级机器学习模型和上述次级机器学习模型共同进行训练，训练完成的多个机器学习模型和上述次级机器学习模型作为上述价格预测模型。
8、进一步的，上述初级机器学习模型包括以下模型中的一项或多项：支持向量回归svr模型、随机森林回归rf模型、神经网络nn模型和多元线性回归mlr模型；上述次级机器学习模型包括以下模型或算法中的一项：多响应线性回归模型、拟合优度算法，上述拟合优度算法根据初始机器学习模型的均方误差rmse的大小来确定各个初始机器学习模型的权重系数。
9、第三方面，本专利技术提供了一种基于相似分析的价格预测模型的应用方法，包括：接收对未来目标时段内的价格走势进行预测的请求；根据天然气价格的影响因素库中存储的潜在影响因素，获取上述目标时段内关于上述潜在影响因素的预测信息；根据上述预测信息，从历史天然气价格时序数据中筛选与上述预测信息的相似度达到设定阈值的备选时段和对应的备选序列；将上述备选序列输入至价格预测模型中，输出得到上述目标时段内的价格预测结果，上述价格预测模型基于如上所述的构建价格预测模型的方法构建得到。
10、进一步的，根据上述预测信息，从历史天然气价格时序数据中筛选与上述预测信息的相似度达到设定阈值的备选时段和对应的备选序列，包括：从历史天然气价格时序数据中筛选出季节属性与上述目标时段的季节属性相同的多个候选时序数据；基于因果分析模型，确定每个上述候选时序数据的价格影响因素；将上述价格影响因素和上述预测信息进行无量纲处理，分别作为向量中的元素，构造出上述候选时序数据的第一特征向量和上述目标时段对应的第二特征向量；计算每个第一特征向量和上述第二特征向量对应元素之间的关联系数；计算每个第一特征向量和上述第二特征向量的多个对应元素的关联系数的均值，上述均值作为上述相似度；在上述多个候选时序数据中确定与上述预测信息的相似度达到设定阈值的备选时段和对应的备选序列。
11、第四方面，本专利技术提供了一种电子设备。上述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现如上所述的构建价格预测模型的方法或数据处理的方法。
12、第五方面，本专利技术提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现如上所述的构建价格预测模型的方法或数据处理的方法。
13、本公开实施例提供的上述技术方案与现有技术相比至少具有如下优点的部分或全部：
14、考虑两个历史时序数据在宏观因素和微观因素上的综合相似度，根据上述综合相似度，在候选序列中筛选与目标序列相似的一个或多个参考序列，将参考序列作为机器学习模型的输入，机器学习模型的输出为与参考序列具有相似特性的特定时段内的价格预测结果，该特定时段的实际价格结果对应于目标序列，将该目标序列作为训练标签来对机器学习模型的参数进行训练，这样的模型构建逻辑有助于保证在天然气价格具有众多影响因素的场景下分析出核心影响因素，并基于核心影响因素相似的参考序列来对目标序列进行对应预测，有助于提升价格预测的准确度。
15、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于相似分析的价格预测模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的一种基于相似分析的价格预测模型的构建方5法，其特征在于，
3.根据权利要求2所述的一种基于相似分析的价格预测模型的构建方法，其特征在于，
4.根据权利要求2所述的一种基于相似分析的价格预测模型的构建方法，其特征在于，所述因果分析模型为格兰杰因果分析模型。
5.根据权利要求2所述的一种基于相似分析的价格预测模型的构建方法，其特征在于，根据所述价格影响因素，确定所述候选序列和所述目标序列之间的关联度，包括：
6.根据权利要求1所述的一种基于相似分析的价格预测模型的构建方法，其特征在于，所述机器学习模型包括：串联的第一层模型和第二层模型，所述第一层模型包括一个或多个初级机器学习模型，所述第二层模型包括一个次级机器学习模型；
7.根据权利要求6所述的一种基于相似分析的价格预测模型的构建方法，其特征在于，
8.一种基于相似分析的价格预测模型的应用方法，其特征在于，包括：
9.根据权利要求8所述的一种基于相似
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1－7中任一项所述的方法。
...【技术特征摘要】
1.一种基于相似分析的价格预测模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的一种基于相似分析的价格预测模型的构建方5法，其特征在于，
3.根据权利要求2所述的一种基于相似分析的价格预测模型的构建方法，其特征在于，
4.根据权利要求2所述的一种基于相似分析的价格预测模型的构建方法，其特征在于，所述因果分析模型为格兰杰因果分析模型。
5.根据权利要求2所述的一种基于相似分析的价格预测模型的构建方法，其特征在于，根据所述价格影响因素，确定所述候选序列和所述目标序列之间的关联度，包括：
6.根据权利要求1所述的一种基于相似分析的价格预测模型的构建方法，其特征在于，所述机器学习模型包括：串联的...
【专利技术属性】
技术研发人员：张曦，王飞，陈进殿，潘凯，刘定智，张元涛，王洪旭，张晗，韩克江，郝迎鹏，梁继承，刘晓娟，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。