一种钼精矿中长期市场价格分析与预测方法和系统与流程

本发明属于系统工程与价格预测技术领域，特别涉及一种钼精矿中长期市场价格分析与预测方法和系统。

背景技术：

钼精矿是钢铁工业生产的基本原料，为现代工业生产不可缺少的资源。钼矿在我国的储量丰富，长期位于世界第一，为我国的优势矿产资源，在我国矿业的全球化战略中处于重要的地位，对我国的经济和资源安全具有重要的影响。然而长期以来，我国注重于出口创汇，忽略了利用优势的矿产资源来影响和控制全球市场，其具体的表现为长期的高强度开采、产量和出口量的大幅增加，使得市场的供需关系失衡，因此，对钼精矿市场价格进行中长期的预测，有利于矿山企业生产计划的调整和国家矿业资源宏观政策的制定，对改善钼精矿市场供需关系以及我国矿产资源在全球矿业中的格局具有重要意义。

目前，对我国钼精矿市场价格的分析与预测，主要为短期的价格预测和中长期价格趋势分析，由于钼精矿短期价格变化波动较小，一般采用ar(p)模型、平滑法以及人工智能的方法即可实现较为精准的预测；然而，对于中长期价格而言，主要的分析及预测方法为计量经济模型的方法，这类方法通过对钼精矿价格的影响因素进行分析，探讨其对钼精矿市场的影响，最终影响结果反映为钼精矿的市场价格趋势。在影响因素考虑的比较全面的时候，计量经济模型方法能得到比较精确预测结果，但是在实际的操作过程中，由于钼精矿市场系统过于庞大，需要考虑的变量因素难以纳入到整个系统当中，钼精矿市场经济结构方程难以建立，使得利用计量经济模型的方法进行预测变得困难，因此对钼精矿的中长期价格实现较为精准的预测很困难。

技术实现要素：

为了克服上述现有技术的缺点，本发明的目的在于提供一种钼精矿中长期市场价格分析与预测方法和系统，采用钼精矿历史价格作为样本进行分析和预测，通过对价格时间序列本质特征进行识别与分析和对价格时间序列的分解，挖掘钼精矿价格时间序列长期蕴含的潜在信息，再利用不同的预测模型分别对这些信息进行预测，将预测结果进行集成，能够避免使用计量经济模型方法所需要构造的各种变量因素，以及对变量因素与钼精矿市场价格之间相关关系的分析，简化了钼精矿中长期市场价格预测的复杂性，同时，相对于传统的时间序列分析与预测方法，该方法深度挖掘了钼精矿市场价格背后的生成系统，根据生成系统的特点选择合适的预测方法，能够有效的提高钼精矿中长期市场价格的预测精度，优势明显。

为了实现上述目的，本发明采用的技术方案是：

一种钼精矿中长期市场价格分析与预测方法，通过对钼精矿价格时间序列的分析，挖掘钼精矿价格生成系统的特征，利用时间序列分解技术将这些特征分离，然后针对这些特征进行分类预测和集成。

因此，该分析与预测方法分为三个部分，第一部分为钼精矿价格时间序列数据的分析，即是对其价格生成系统的辨别过程；第二部分为钼精矿价格时间序列数据的分解，即是对钼精矿价格生成系统特征的分离，得到价格时间序列的本征模态函数；第三部分为价格时间序列本征模态函数的分类预测与集成。

在第一部分中，分析了钼精矿价格时间序列的平稳性、线性/非线性、复杂性，分析步骤为：

a.采用钼精矿价格时间序列图和自相关图的方法和单位根检验法来定性和定量的评判钼精矿价格时间序列的平稳性；

b.在步骤a的基础上，选择合适的ar(p)线性模型对钼精矿价格时间序列进行拟合，然后采用bds检验法对残差的独立性进行检验，判断钼精矿价格是否由线性系统产生；

c.采用分形理论中的关联维度分析钼精矿价格时间序列的复杂性，评判钼精矿价格生成系统的复杂程度。关联维度计算方法采用g-p算法，计算步骤为：

c1.采用相关分析确定钼精矿价格时间序列的滞后期τ；

c2.以嵌入维数k对钼精矿价格时间序列x(n),n＝1,2,3,…,n，n为钼精矿价格时间序列长度，进行相空间重构，重构后的相空间相点为xi(n)＝{xi(n),xi(n+τ),…,xi(n+(k-1)τ)},i＝1,2,…,k，k为重构的相空间中的相点的总数，由公式k＝n-(m-1)τ计算得到；i表示相空间中第i个相点；

c3.给定一个邻域半径r,计算关联积分c(k,r)，计算公式如下所示，

其中，θ为函数θ(x)，

‖xi-xj‖为相空间相点之间的距离；

c4.分别对关联积分c(k,r)和r取对数，采用下列公式求钼精矿价格时间序列的关联维数d，

d.对步骤a,b,c的结果进行综合分析，得出钼精矿价格时间序列的本质特征和其对应的价格数据生成系统的特点。

在第二部分中，对钼精矿价格时间序列x(n)进行分解，采用的分解方式为emd分解，具体包含的步骤为：

a.对钼精矿价格时间序列x(n)取极值点，构造上下包络线，求上下包络线的均值me；

b.将原钼精矿价格时间序列x(n)减去均值me，得到一个新的时间序列h(n)；

c.重复步骤a,b，直到时间序列h(n)满足条件过零点数目与极值点数目相等或者最大相差一个和时间序列h(n)的极大值与极小值构造的上下包络线的均值为零，记此时的时间序列h(n)为imf；

d.用钼精矿时间序列x(n)减去imf，得到新的时间序列x1(n)；

e.将时间序列x1(n)重复上述步骤a,b,c,d，直到不能再分解为止，由此得到钼精矿所有的本征模态函数imf和一个残差函数res。

第三部分为钼精矿价格时间序列的预测部分，主要结合上述的分析与分解结果，构建合适的分类预测模型对分解得到的本征模态函数imf进行预测，然后对分类预测结果进行集成，具体包含的步骤为：

a.根据第一部分对钼精矿价格时间序列生成系统的评判结果的分析，将第二部分分解得到的本征模态函数imf和残差res按照其时序图分为两类，一类为简单的平稳时间序列，另一类为复杂的平稳非线性时间序列；

b.将步骤a得到的两类数据进行划分，分别构建训练集x(t)、y(t)和预测集x1(t1)、y1(t1)，两类数据的预测步长一致；

c.对简单的平稳时间序列成分，分别构建arma(p,q)模型进行预测，其选用的p值与q值根据各时间序列的自相关和偏相关图进行确定，其预测步骤具体为：

c1.使用数据集x(t)确定arma(p,q)模型的参数p,q的值；

c2.构建arma(p,q)模型，估计模型中的未知参数；

c3.检验arma(p,q)模型的有效性，如果未通过，则返回步骤b2；

c4.对arma(p,q)模型进行测试，并构造多个拟合模型，从中选出最优的模型。

d.对复杂的平稳非线性时间序列成分，分别构建lstm深度神经网络进行预测，lstm深度神经网络的预测步骤具体为：

d1.根据训练集的输入序列构造网络输入的lstm单元数目，同时确定输出数目；

d2.构造lstm深度神经网络模型，并采用训练集y(t)对网络进行训练；

d3.采用测试集y1(t1)对训练好的lstm神经网络进行测试，并根据测试结果对预测模型进行优化，直到达到较高的预测精度为止。

e.对步骤c,d的预测结果采用三层的bp神经网络进行集成，其具体步骤如下所示：

e1.将钼精矿价格时间序列x(n)，按照c,d步骤中的预测步长划分为训练集和测试集；

e2.将c,d步骤中的预测结果作为bp神经网络的输入值，钼精矿价格时间序列划分得到的训练集作为输出值，对bp神经网络进行训练；

e3.使用训练好的bp神经网络对c,d步骤中的测试集预测结果进行集成，并将集成得到的序列作为最终的预测结果，将其与钼精矿价格时间序列的测试集进行比较。

本发明还提供了相应的系统，包括：

钼精矿价格时间序列数据分析模块，分析钼精矿价格时间序列数据，挖掘钼精矿价格生成系统的特征；

钼精矿价格时间序列数据分解模块，利用时间序列分解技术将所述特征分离，得到价格时间序列的本征模态函数；

分类预测与集成模块，对本征模态函数进行预测，并对分类预测结果进行集成。

其中，所述钼精矿价格时间序列数据分析模块，执行所述第一部分的步骤。

所述钼精矿价格时间序列数据分解模块，执行所述第二部分的步骤。

所述分类预测与集成模块，执行所述第三部分的步骤。

本发明采用的上述技术方法，具有以下效果：与传统的计量经济模型相比，本发明提出的分析与预测方法、系统对数据的要求较低，降低了基本数据的获取难度，但是对数据的分析较全面；与一般的时间序列预测方法相比，本发明提出的分析与预测方法、系统对时间序列生成系统进行了深度的挖掘与分析，并按照时间序列原本的特征进行了分类预测，考虑周全，预测精度较高。

附图说明

图1为本发明实例中钼精矿中长期市场价格分析与预测方法的总流程图。

图2为本发明实例中钼精矿市场价格时间序列。

图3为本发明实例中钼精矿价格时间序列的自相关图。

图4为本发明实例中钼精矿价格时间序列的偏相关图。

图5为本发明实例中lstm深度神经网络中的单个神经元的结构图。

具体实施方式

本发明提供了一种钼精矿中长期市场价格分析与预测方法，下面将结合本发明实施例中的附图，对本发明实施例中的技术方法进行描述。

实施例提供了一种45％的钼精矿中长期中国市场价格分析与预测方法，用来更加清晰的描述本发明的技术方法，参考图1所示，本发明提出的分析与预测方法包括以下三个部分：

p1.第一部分为钼精矿价格时间序列数据的分析，即是对其价格生成系统的辨别过程；

p2.第二部分为钼精矿价格时间序列数据的分解，即是对钼精矿价格生成系统特征的分离，得到价格时间序列的本征模态函数；

p3.第三部分为价格时间序列本征模态函数的分类预测与集成。

上述三个部分，可以分别为一个独立的模块，从而组成相应的分析与预测系统。

在第一部分中，收集钼精矿市场历史价格数据，数据的时间长度不少于十年，并将其形成以月为单位的价格时间序列，如图2所示，然后分析了钼精矿价格时间序列的平稳性、线性/非线性、复杂性，分析步骤为：

a.采用钼精矿价格时间序列图与自相关系数图的方法和单位根检验法来定性和定量的评判钼精矿价格时间序列的平稳性，具体步骤为：

a1.对钼精矿价格时间序列图进行观测，可以发现该价格时间序列并没有在某一固定价格上下波动，因此可以初步判断钼精矿价格时间序列为非平稳时间序列；

a2.根据图2的价格时间序列，将序列的延迟阶数设为30，求出其自相关系数，并作自相关图，如图3所示，自相关系数并没有减小为零，结合步骤a1的判断，可以进一步判断序列为非平稳价格时间序列；

a3.设计钼精矿价格时间序列的单位方根检验假设，采用adf检验方法对该价格时间序列进行检验，检验结果为该序列没有单位方根，因此钼精矿时间价格序列为非平稳价格时间序列；

a4.对步骤a1,a2,a3进行综合，可以得出钼精矿价格时间序列为非平稳时间序列。

b.在步骤a的基础上，判断钼精矿价格时间序列是否由线性系统产生，具体的判断步骤为：

b1.求出钼精矿价格时间序列的偏自相关系数，并作偏自相关图，如图4所示；

b2.根据图3和图4，可以观察到钼精矿价格时间序列的自相关系数缓慢的减小，偏相关系数在延迟3阶后迅速减小到偏相关系数的二倍标准差内，由此可以选择ar(3)线性模型对该序列进行拟合；

b3.根据ar(3)线性模型得到的拟合结果，从中提取出残差项，对残差的独立性设计检验假设；

b4.采用bds检验方法对步骤b3的假设进行检验，检验结果拒绝原假设，表明钼精矿价格时间序列为非线性价格时间序列，即钼精矿价格时间序列生成系统存在非线性结构系统。

c.采用分形理论中的关联维度分析钼精矿价格时间序列的复杂性，评判钼精矿价格生成系统的复杂程度。关联维度计算方法采用g-p算法，计算步骤为：

c1.采用相关分析确定钼精矿价格时间序列的滞后期τ；

c2.以嵌入维数k对钼精矿价格时间序列x(n),n＝1,2,3,…,n，n为钼精矿价格时间序列长度，进行相空间重构，重构后的相空间相点为xi(n)＝{xi(n),xi(n+τ),…,xi(n+(k-1)τ)},i＝1,2,…,k，k为重构的相空间中的相点的总数，由公式k＝n-(m-1)τ计算得到，i表示相空间中第i个相点；

c3.给定一个邻域半径r,计算关联积分c(k,r)，计算公式如下所示，

其中，θ为函数θ(x)，

‖xi-xj‖为相空间相点之间的距离；

c4.分别对关联积分c(k,r)和r取对数，采用下列公式求钼精矿价格时间序列的关联维数d，

由此求得的d值为1.3，因此可以认为钼精矿价格时间序列的生成系统较复杂。

d.对步骤a,b,c的结果进行综合分析，得出钼精矿价格时间序列的本质特征和其对应的价格数据生成系统为非平稳、含有非线性成分的中等复杂系统。

在第二部分中，对钼精矿价格时间序列x(n)进行分解，采用的分解方式为emd分解，具体包含的步骤为：

a.对钼精矿价格时间序列x(n)取极值点，构造上下包络线，求上下包络线的均值me；

b.将原钼精矿价格时间序列x(n)减去均值me，得到一个新的时间序列h(n)；

c.重复步骤a,b，直到时间序列h(n)满足条件过零点数目与极值点数目相等或者最大相差一个和时间序列h(n)的极大值与极小值构造的上下包络线的均值为零，记此时的时间序列h(n)为imf；

d.用钼精矿时间序列x(n)减去imf，得到新的时间序列x1(n)；

e.将时间序列x1(n)重复上述步骤a,b,c,d，直到不能再分解为止，由此得到钼精矿所有的本征模态函数imf和一个残差函数res。

第三部分为钼精矿价格时间序列的预测部分，主要结合步骤3，4的分析与分解结果，对分解得到的本征模态函数imf进行分类预测，然后对分类预测结果进行集成，具体包含的步骤为：

a.根据第一部分对钼精矿价格时间序列生成系统的评判结果，将第二部分分解得到的本征模态函数imf和残差res按照其时序图分为两类，一类为简单的平稳线性时间序列，另一类为复杂的平稳非线性时间序列；

b.将步骤a得到的两类数据进行划分，分别构建训练集x(t)、y(t)和预测集x1(t1)、y1(t1)，两类数据的预测步长一致；

c.对简单的平稳时间序列成分，分别构建arma(p,q)模型进行预测，其选用的p值与q值根据各时间序列的自相关和偏相关图进行确定，其预测步骤具体为：

c1.使用数据集x(t)确定arma(p,q)模型的参数p,q的值；

c2.构建arma(p,q)模型，估计模型中的未知参数；

c3.检验arma(p,q)模型的有效性，如果未通过，则返回步骤b2；

c4.对arma(p,q)模型进行测试，并构造多个拟合模型，从中选出最优的模型。

d.对复杂的平稳非线性时间序列成分，分别构建lstm深度神经网络进行预测，lstm神经网络的神经元结构如图5所示，图中的xt为神经元数据输入，ht为神经元数据输出，ft、it、ot分别对应神经元内部的遗忘门、输入门和输出门结构，lstm深度神经网络的预测步骤具体为：

d1.根据训练集的输入序列构造网络输入的lstm单元数目，同时确定输出数目；

d2.构造lstm深度神经网络模型，并采用训练集y(t)对网络进行训练；

d3.采用测试集y1(t1)对训练好的lstm神经网络进行测试，并根据测试结果对预测模型进行优化，直到达到较高的预测精度为止。

e.对步骤c,d的预测结果采用三层的bp神经网络进行集成，其具体步骤如下所示：

e1.将钼精矿价格时间序列x(n)，按照c,d步骤中的预测步长划分为训练集和测试集；

e2.将c,d步骤中的预测结果作为bp神经网络的输入值，钼精矿价格时间序列划分得到的训练集作为输出值，对bp神经网络进行训练；

e3.使用训练好的bp神经网络对c,d步骤中的测试集预测结果进行集成，并将集成得到的序列作为最终的预测结果，将其与钼精矿价格时间序列的测试集进行比较。

综上，本发明钼精矿市场价格分析与预测方法和系统，用于分析和预测钼精矿的中长期市场价格，为钼矿企业解决中长期生产决策问题提供依据，其基本分析与预测思路为：通过收集钼精矿的历史价格，对历史价格数据进行转换，得出每月的，钼精矿市场平均价格，构成钼精矿市场价格时间序列；首先，以钼精矿市场价格时间序列为对象，进行平稳\非平稳、线性\非线性、复杂性进行分析，得出钼精矿市场价格时间序列数据的本质特征；然后，在钼精矿市场价格时间序列数据的本质特征分析结果的基础上，对钼精矿市场价格序列进行分解，根据分解的结果选择不同的预测模型对其进行分类预测；最后，将分类预测的预测结果进行集成，得到最终的钼精矿市场价格预测结果。该预测方法科学有效、预测精度高、具有普适性，可用于其它类似产品的市场价格预测，具有广泛的应用前景。