CN111563774A - 一种煤炭价格指数预测与供需关系指数构建方法及系统 - Google Patents
一种煤炭价格指数预测与供需关系指数构建方法及系统 Download PDFInfo
- Publication number
- CN111563774A CN111563774A CN202010383684.3A CN202010383684A CN111563774A CN 111563774 A CN111563774 A CN 111563774A CN 202010383684 A CN202010383684 A CN 202010383684A CN 111563774 A CN111563774 A CN 111563774A
- Authority
- CN
- China
- Prior art keywords
- data
- coal
- index
- supply
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000010276 construction Methods 0.000 claims abstract description 12
- 230000003442 weekly effect Effects 0.000 claims description 37
- 238000012217 deletion Methods 0.000 claims description 35
- 230000037430 deletion Effects 0.000 claims description 35
- 230000009897 systematic effect Effects 0.000 claims description 24
- 238000012935 Averaging Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 14
- 230000007847 structural defect Effects 0.000 claims description 10
- 230000001502 supplementing effect Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 230000007812 deficiency Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000000630 rising effect Effects 0.000 description 6
- 230000007306 turnover Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000011143 downstream manufacturing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种煤炭价格指数预测与供需关系指数构建方法及系统，方法包括以下步骤：获取煤炭交易历史数据并在多个维度进行分类；对分类后的煤炭交易历史数据进行技术处理；根据处理后的煤炭交易历史数据对煤炭价格指数进行预测；根据处理后的煤炭交易历史数据构建煤炭供需关系指数；本发明在综合考虑可行性、实用性以及技术先进性等指标的基础上，根据行业统计数据和其他公开数据建立了一套算法预测模型体系，生成预测图像及数据；系统包括：数据分类模块，数据处理模块，价格预测模块，指数构建模块。本发明可以充分利用多种来源的大数据信息，精准预测煤炭价格指数未来走势，提出一套适合煤炭市场的新的煤炭供需关系指数体系。
Description
技术领域
本发明涉及混频数据模型构建，尤其涉及一种煤炭价格指数预测与供需关系指数构建方法及系统。
背景技术
随着物联网、社交网络、云计算等技术不断融入我们的生活以及现有的计算能力、存储空间、网络带宽的高速发展，我们所积累的数据也在不断地增长和累积。数据的量级不断升级以及应用的不断深入，大数据的价值变得越来越不可忽视。如何能让煤炭这个相对封闭的行业更好的受益于这些数据成了我们需要重视的问题。
因此，我们需要依托互联网和大数据技术，以事物的相关性为基础，运用R语言(The R Programming Language)来整合煤炭以及相关行业的海量数据，进行多维度的系统整理和清洗加工，科学的得出煤炭价格指数的预测结果，得到处理现实业务简单、客观的结论，提供有价值的决策依据。
发明内容
为了解决以上提出的问题，本发明提供一种煤炭价格指数预测与供需关系指数构建方法及系统，可以充分利用多种来源的大数据信息，精准预测煤炭价格指数未来走势，提出一套适合煤炭市场的新的煤炭供需关系指数体系。
为达到上述目的，本发明的实施例采用如下技术方案：
一种煤炭价格指数预测与供需关系指数构建方法，所述煤炭价格指数预测与供需关系指数构建方法包括以下步骤：
获取煤炭交易历史数据并在多个维度进行分类；
对分类后的煤炭交易历史数据进行技术处理；
根据处理后的煤炭交易历史数据对煤炭价格指数进行预测；
根据处理后的煤炭交易历史数据构建煤炭供需关系指数。
依照本发明的一个方面，所述获取煤炭交易历史数据并在多个维度进行分类具体为：在特征、属性和频率维度对煤炭交易历史数据进行分类，得到同一数据在不同维度下的分类结果。
依照本发明的一个方面，所述特征分类具体分类为供给、需求、价格和其他，所述属性分类具体分类为存量和流量，所述频率分类具体分类为日度、周度、旬度、月度、季度和年度，并对旬度、季度和年度数据做删除处理。
依照本发明的一个方面，所述对分类后的煤炭交易历史数据进行技术处理包括以下步骤：对煤炭交易历史数据进行文件重命名；对煤炭交易历史数据中的错误数据进行纠错；对煤炭交易历史数据的缺失数据进行补齐；将日度和月度煤炭交易历史数据统一为周度数据。
依照本发明的一个方面，所述对煤炭交易历史数据的缺失数据进行补齐包括以下步骤：将缺失数据分类成非系统性缺失和系统性缺失；对非系统性缺失数据，采用前后数据的均值补齐；对系统化缺失分类成结构性缺失和非结构性缺失；对结构性缺失采用AR模型进行填补，对非结构性缺失，采用取均值的方法进行补齐。
依照本发明的一个方面，所述将日度和月度煤炭交易历史数据统一为周度数据具体为：对日度数据，取每周每天的数据相加，并取平均值为周度数据；对月度数据，取每年每月的数据相加，并在其中取52个时间点进行平均和差分后得到周度数据。
依照本发明的一个方面，所述根据处理后的煤炭交易历史数据对煤炭价格指数进行预测具体为：选取差分整合移动平均自回归模型作为基准模型，使用滚动预测法，在分类处理后的数据中取和价格指数相关性最强的数据构建预测模型对煤炭价格指数进行预测。
依照本发明的一个方面，所述根据处理后的煤炭交易历史数据构建煤炭供需关系指数具体为：将采购经理指数、大宗商品供需关系指数和定义时间序列差分函数结合，利用分类处理后的部分数据同上期的关系构建供需关系指数。
一种煤炭价格指数预测与供需关系指数构建系统，其特征在于，所述煤炭价格指数与供需关系指数预测系统包括以下模块：
数据分类模块，用于在多个维度对煤炭交易历史数据进行分类；
数据处理模块，用于对分类后的煤炭交易历史数据进行技术处理；
价格预测模块，用于对煤炭价格指数进行预测；
指数构建模块，用于构建煤炭供需关系指数。
依照本发明的一个方面，所述数据处理模块包括以下模块：命名模块，对历史数据进行文件重命名；纠错模块，用于对错误数据进行纠错；缺失补齐模块，对缺失数据进行补齐；频率统一模块，用于将历史数据统一为周度数据。
本发明实施的优点：本发明所述的一种煤炭价格指数预测与供需关系指数构建方法，包括以下步骤：获取煤炭交易历史数据并在多个维度进行分类；对分类后的煤炭交易历史数据进行技术处理；根据处理后的煤炭交易历史数据对煤炭价格指数进行预测；根据处理后的煤炭交易历史数据构建煤炭供需关系指数；本发明在综合考虑可行性、实用性以及技术先进性等指标的基础上，根据行业统计数据和其他公开数据建立了一套算法预测模型体系，生成预测图像及数据；本发明可以充分利用多种来源的大数据信息，精准预测煤炭价格指数未来走势，提出一套适合煤炭市场的新的煤炭供需关系指数体系。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一所述的煤炭价格指数预测与供需关系指数构建方法示意图；
图2为本发明实施例二所述的煤炭价格指数预测与供需关系指数构建方法示意图；
图3为本发明所述的数据分类的流程图；
图4为本发明所述的数据命名的流程图；
图5为本发明所述的数据命名方式示意图；
图6为本发明所述的数据纠错的流程图；
图7为本发明所述的数据缺失补齐的流程图；
图8为本发明所述的数据频率转换的流程图；
图9-11为本发明所述的通过不同原理构建的供需关系指数示意图；
图12为本发明实施例三所述的煤炭价格指数预测与供需关系指数构建方法示意图；
图13为本发明所述的煤炭价格指数预测与供需关系指数构建系统示意图。
具体实施方式
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案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图1所示，一种煤炭价格指数预测与供需关系指数构建方法，包括以下步骤：
S1：获取煤炭交易历史数据并在多个维度进行分类；
在实际应用中，所述获取煤炭交易历史数据并在多个维度进行分类具体为：在特征、属性和频率维度对煤炭交易历史数据进行分类，得到同一数据在不同维度下的分类结果。
在实际应用中，所述特征分类具体分类为供给、需求、价格和其他，所述属性分类具体分类为存量和流量，所述频率分类具体分类为日度、周度、旬度、月度、季度和年度，并对旬度、季度和年度数据做删除处理。
在实际应用中，如图3所示，具体包括以下步骤：
S101:确定三种数据分类方式，分别为特征分类、属性分类和频率分类；
在实际应用中，特征分类分为四个维度，分别为供给(S)、需求(D)、价格(P)、其他(O)。供给维度的数据包含于煤炭生产、运输有关的变量；需求维度的数据包含与煤炭消费有关的信息，如发电量、钢铁产量等涉及煤炭消费的数据；价格维度的数据主要为全国不同省份煤炭的价格；其他维度的数据包含了一些宏观层面的指标，比如国内生产总值和消费价格指数等。
在实际应用中，属性分类分为流量和存量两个维度，流量是指一定时期内发生的某种经济变量变动的数值，它是在一定的时期内测度的，其大小有时间维度。存量(stock)是指某一指定的时点上，过去生产与积累起来的产品、货物、储备、资产负债的结存数量。
在实际应用中，频率分类划分为日度(D)、周度(W)、旬度(10D)、月度(M)、季度(S)和年度(Y)六个维度。
S102:采用不同的分类方式得到原始数据的分类结果。
在实际应用中，将所有文件分别根据根据特征、属性和频率划分进对应的维度，得出归类结果。由于所需估计的煤炭价格数据是周度数据，因此为了保证数据的有效性，删除了跨度过长的旬度、季度和年度数据。
在实际应用中，同一数据同时具备一个特征分类、一个属性分类和一个频率分类。
S2：对分类后的煤炭交易历史数据进行技术处理；
在实际应用中，所述对分类后的煤炭交易历史数据进行技术处理包括以下步骤：将日度和月度煤炭交易历史数据统一为周度数据。
在实际应用中，所述将日度和月度煤炭交易历史数据统一为周度数据具体为：对日度数据，取每周每天的数据相加，并取平均值为周度数据；对月度数据，取每年每月的数据相加，并在其中取52个时间点进行平均和差分后得到周度数据。
在实际应用中，如图8所示，具体包括以下步骤：
S501:对于数据频率转换,分类两类，一类是日度数据转为周度数据，另一类是月度数据转周度数据；
S502:在日度数据转为周度数据时，由于日度数据均为流量数据，因此可以取每周数据的平均值作为周度的数据；
S503:月度数据到周度的数据的转换是利用了数据的变动规律，由于月度数据绝大多数是流量数据，因此这个方法将每年每个月的数据加总变换为存量数据，数据因此呈现出了增长趋势，在其中插入52个时间点，从而可以估计出一年中52周的存量数据，差分后得到每一周的流量数据。
S3：根据处理后的煤炭交易历史数据对煤炭价格指数进行预测；
在实际应用中，所述根据处理后的煤炭交易历史数据对煤炭价格指数进行预测具体为：选取差分整合移动平均自回归模型作为基准模型，使用滚动预测法，在分类处理后的数据中取和价格指数相关性最强的数据构建预测模型对煤炭价格指数进行预测。
在实际应用中，选取过去100周的数据，在供给、需求、价格和其他四大特征类别中分别取和价格指数相关性最强的数据构建预测模型，使得预测准确度更高，有效的减低了预测误差，提高了样本外的预测准确度，也能够灵活的处理特征变量的及时增选与退出问题。
在实际应用中，所述差分整合移动平均自回归模型一般用于帮助企业对未来进行预测，其在做时间序列分析时，根据历史数据的变动规律，找出数据变动模型(移动平均数、周期成分)，从而实现对未来的预测。差分整合移动平均自回归模型比其他的统计预测技术更复杂，但如果运用恰当的话，它不仅预测准确，而且灵活有度。
S4：根据处理后的煤炭交易历史数据构建煤炭供需关系指数。
在实际应用中，所述根据处理后的煤炭交易历史数据构建煤炭供需关系指数具体为：将采购经理指数、大宗商品供需关系指数和定义时间序列差分函数结合，利用分类处理后的部分数据同上期的关系构建供需关系指数。
在实际应用中，具体采用影响煤炭价格指数的供给数据和需求数据同上期的关系构建供需关系指数。
在实际应用中，所述采购经理指数通过对采购经理的月度调查汇总出来的指数，能够反映经济的变化趋势，通过各指标的动态变化来反映经济活动所处的周期状态。
在实际应用中，所述大宗商品供需关系指数是由生意社创建的大宗商品供需指指数，用来反映下游制造业经济情况，供需关系影响价格，价格变化反映供需关系变化。
在实际应用中，所述定义时间序列差分函数是定量预测方法之一。它包括一般统计分析(如自相关分析，谱分析等)，统计模型的建立与推断，以及关于时间序列的最优预测、控制与滤波等内容，侧重研究数据序列的互相依赖关系。
在实际应用中，以上方式规避了传统的计算原理(如PMI，CPI等)需要大量、定期数据采集的高额成本和可操作性问题。直接利用历史数据中蕴含的供需关系信息来构建供需关系指数。
在实际应用中，如图9至图11所示，设计有以下分别对应图9至图11的三种不同的计算原理来判断一个供需因子上涨还是下跌：
(1)超过上期就是上涨，低于上期就是下跌；
(2)超过上期1％就是上涨，低于上期1％就是下跌，其余算持平；
(3)超过前5期EMA(Exponential Moving Average,指数移动平均值)就是上涨，低于前5期EMA就是下跌，其余算持平。
在实际应用中，通过多种方式衡量计算涨跌，为供需关系指数的构建提供了多样性。
本实施例提供了一种煤炭价格指数预测与供需关系指数构建方法，可以充分利用多种来源的大数据信息，构建预测模型精准预测煤炭价格指数未来走势，并提出了一套适合煤炭市场的新的煤炭供需关系指数体系。
实施例二
如图2所示，一种煤炭价格指数预测与供需关系指数构建方法，包括以下步骤：
S1：获取煤炭交易历史数据并在多个维度进行分类；
在实际应用中，所述获取煤炭交易历史数据并在多个维度进行分类具体为：在特征、属性和频率维度对煤炭交易历史数据进行分类，得到同一数据在不同维度下的分类结果。
在实际应用中，所述特征分类具体分类为供给、需求、价格和其他，所述属性分类具体分类为存量和流量，所述频率分类具体分类为日度、周度、旬度、月度、季度和年度，并对旬度、季度和年度数据做删除处理。
在实际应用中，如图3所示，具体包括以下步骤：
S101:确定三种数据分类方式，分别为特征分类、属性分类和频率分类；
在实际应用中，特征分类分为四个维度，分别为供给(S)、需求(D)、价格(P)、其他(O)。供给维度的数据包含于煤炭生产、运输有关的变量；需求维度的数据包含与煤炭消费有关的信息，如发电量、钢铁产量等涉及煤炭消费的数据；价格维度的数据主要为全国不同省份煤炭的价格；其他维度的数据包含了一些宏观层面的指标，比如国内生产总值和消费价格指数等。
在实际应用中，属性分类分为流量和存量两个维度，流量是指一定时期内发生的某种经济变量变动的数值，它是在一定的时期内测度的，其大小有时间维度。存量(stock)是指某一指定的时点上，过去生产与积累起来的产品、货物、储备、资产负债的结存数量。
在实际应用中，频率分类划分为日度(D)、周度(W)、旬度(10D)、月度(M)、季度(S)和年度(Y)六个维度。
S102:采用不同的分类方式得到原始数据的分类结果。
在实际应用中，将所有文件分别根据根据特征、属性和频率划分进对应的维度，得出归类结果。由于所需估计的煤炭价格数据是周度数据，因此为了保证数据的有效性，删除了跨度过长的旬度、季度和年度数据。
在实际应用中，同一数据同时具备一个特征分类、一个属性分类和一个频率分类。
S2：对分类后的煤炭交易历史数据进行技术处理；
在实际应用中，所述对分类后的煤炭交易历史数据进行技术处理包括以下步骤：对煤炭交易历史数据进行文件重命名；对煤炭交易历史数据中的错误数据进行纠错；对煤炭交易历史数据的缺失数据进行补齐；将日度和月度煤炭交易历史数据统一为周度数据：
S3：对煤炭交易历史数据进行文件重命名；
在实际应用中，如图4所示，文件重命名具体步骤如下：
S201:整理原始数据中每个文件的数据起止日期以及变量信息；
S202:删除部分数据；
在实际应用中，删除所有始于2015年以后(不包含2015年)的数据或者终于2017年之前(不包含2017年)的数据，这样做的目的是为了保证在之后分析过程中有足够的数据量和最新的数据。
S203：定义文件名和英文变量名。
在实际应用中，按照日、周和月的频率排序，然后按照文件名A-Z排序，赋予每个文件名唯一的序号，最终将文件命名为文件所在特征维度(S,D,P,O)加序号，英文变量名根据中文变量名的英文简写或中文开头首字母来命名。
在实际应用中，具体命名方式如图5所示。
S4：对煤炭交易历史数据中的错误数据进行纠错；
在实际应用中，如图6所示，数据纠错具体包括以下步骤：
S301：判断数据是否出现长时间非结构性中断的情况，如果出现该情况，则删除期间的数据，保留之后结构性缺失的数据。
在实际应用中，如2013年8月至2014年5月数据出现非结构性中断，则删除该时间段的数据，保存2014年5月之后的数据。
S302：判断数据是否出现过早停止更新的情况，如果出现该情况，则从数据集中删除该数据文件。
在实际应用中，如2012年9月之前某数据就停止了更新，则将该数据完全删除。
S303：判断数据是否出现结果明显不合理的情形，如果出现该情况，则根据相关报告或新闻中获取数据进行修正。
在实际应用中，若出现某个数据在某个时间段太高或太低，将这个时间段的数据放弃，从报告和新闻中获取数据来修正。
S4：对煤炭交易历史数据的缺失数据进行补齐；
在实际应用中，所述对煤炭交易历史数据的缺失数据进行补齐包括以下步骤：将缺失数据分类成非系统性缺失和系统性缺失；对非系统性缺失数据，采用前后数据的均值补齐；对系统化缺失分类成结构性缺失和非结构性缺失；对结构性缺失采用AR模型进行填补，对非结构性缺失，采用取均值的方法进行补齐。
在实际应用中，如图7所示，数据缺失补齐包括以下步骤：
S401，统计缺失状况，将缺失形式分为非系统性缺失和系统性缺失。
S402，针对非系统性缺失，认为是由于随机因素导致，不会影响到数据结果，因此采用前后一个月数据的均值填补缺漏。
S403，对于系统性缺失，不同情况采用不同方法：
非结构性缺失+非正常年度：比如对于某年度2月数据取值极高的年度，猜测其为该年度2月份数据为1-2月的加总值，同时认为非正常年度的1月与2月的取值之比与相邻正常年份的1月与2月取值之比相同，故以此为基础对非正常年度的2月取值按比例折算，拆分为1月和2月的取值。
非结构性缺失+正常年度：若某年某月的数据缺失，而大多数年份的该月数据正常，会用相邻无缺失数据年份的该月值与下月值作比，得到两月数据的取值比例。然后用数据缺失年的下月值数据乘以上述比例，得到数据缺失年的该月数据估计值
结构性缺失：若某一数据集中某月数据集体缺失，便无法通过上述计算比例的方法估计缺失值，此时使用AR模型进行预测。举例而言，对于12月份数据缺失的情况，可以利用当年1-11月的数据预测当年12月份的数据。在编辑函数时，首先提取某一年的观测进入子集，考察当年的首列变量是否有缺失值，若有，则用1-11月的数据建立AR模型并让程序自动选择滞后的阶数，模型对12月的预测值即为补缺值；若首列变量没有缺失值，则进入第二列变量并重复上述判断过程，直至对该年所有变量判断完毕。依次考察每一年所有变量的缺失情况并补齐，最终得到内容完整的数据集。对1月数据缺失的情况，处理步骤大致类似，只是把AR模型换成了反向AR模型，即用12月至2月的数据建模，往前预测得到1月的观测估计值。
在实际应用中，数据补齐主要的想法就是将缺失分为两类：一类是结构性缺失，比如每年的一月、二月的缺失。针对这一类结构性缺失，会使用AR模型进行填补，这是基于对于季节性每年近似相同的假设而来的。第二类是非结构性缺失，比如在完整的数据中，突然有某一年的五月缺失。针对非结构性缺失，使用了取均值的手工填补，因为很难找到这些缺失背后基于的假设以及可能可以使用的方法。
在实际应用中，先判断缺失的位置，再利用R语言中标准包的ar.predict函数去进行补缺，补缺是倒序进行的，因为结构性缺失多出现在1-2月。
S5：将日度和月度煤炭交易历史数据统一为周度数据。
在实际应用中，所述将日度和月度煤炭交易历史数据统一为周度数据具体为：对日度数据，取每周每天的数据相加，并取平均值为周度数据；对月度数据，取每年每月的数据相加，并在其中取52个时间点进行平均和差分后得到周度数据。
在实际应用中，如图8所示，具体包括以下步骤：
S501:对于数据频率转换,分类两类，一类是日度数据转为周度数据，另一类是月度数据转周度数据；
S502:在日度数据转为周度数据时，由于日度数据均为流量数据，因此可以取每周数据的平均值作为周度的数据；
S503:月度数据到周度的数据的转换是利用了数据的变动规律，由于月度数据绝大多数是流量数据，因此这个方法将每年每个月的数据加总变换为存量数据，数据因此呈现出了增长趋势，在其中插入52个时间点，从而可以估计出一年中52周的存量数据，差分后得到每一周的流量数据。
S6：根据处理后的煤炭交易历史数据对煤炭价格指数进行预测；
在实际应用中，所述根据处理后的煤炭交易历史数据对煤炭价格指数进行预测具体为：选取差分整合移动平均自回归模型作为基准模型，使用滚动预测法，在分类处理后的数据中取和价格指数相关性最强的数据构建预测模型对煤炭价格指数进行预测。
在实际应用中，选取过去100周的数据，在供给、需求、价格和其他四大特征类别中分别取和价格指数相关性最强的数据构建预测模型，使得预测准确度更高，有效的减低了预测误差，提高了样本外的预测准确度，也能够灵活的处理特征变量的及时增选与退出问题。
在实际应用中，所述差分整合移动平均自回归模型一般用于帮助企业对未来进行预测，其在做时间序列分析时，根据历史数据的变动规律，找出数据变动模型(移动平均数、周期成分)，从而实现对未来的预测。差分整合移动平均自回归模型比其他的统计预测技术更复杂，但如果运用恰当的话，它不仅预测准确，而且灵活有度。
S7：根据处理后的煤炭交易历史数据构建煤炭供需关系指数。
在实际应用中，所述根据处理后的煤炭交易历史数据构建煤炭供需关系指数具体为：将采购经理指数、大宗商品供需关系指数和定义时间序列差分函数结合，利用分类处理后的部分数据同上期的关系构建供需关系指数。
在实际应用中，所述采购经理指数通过对采购经理的月度调查汇总出来的指数，能够反映经济的变化趋势，通过各指标的动态变化来反映经济活动所处的周期状态。
在实际应用中，所述大宗商品供需关系指数是由生意社创建的大宗商品供需指指数，用来反映下游制造业经济情况，供需关系影响价格，价格变化反映供需关系变化。
在实际应用中，所述定义时间序列差分函数是定量预测方法之一。它包括一般统计分析(如自相关分析，谱分析等)，统计模型的建立与推断，以及关于时间序列的最优预测、控制与滤波等内容，侧重研究数据序列的互相依赖关系。
在实际应用中，具体采用影响煤炭价格指数的供给数据和需求数据同上期的关系构建供需关系指数。
在实际应用中，以上方式规避了传统的计算原理(如PMI，CPI等)需要大量、定期数据采集的高额成本和可操作性问题。直接利用历史数据中蕴含的供需关系信息来构建供需关系指数。
在实际应用中，如图9至图11所示，设计有以下分别对应图9至图11的三种不同的计算原理来判断一个供需因子上涨还是下跌：
(1)超过上期就是上涨，低于上期就是下跌；
(2)超过上期1％就是上涨，低于上期1％就是下跌，其余算持平；
(3)超过前5期EMA(Exponential Moving Average,指数移动平均值)就是上涨，低于前5期EMA就是下跌，其余算持平。
在实际应用中，通过多种方式衡量计算涨跌，为供需关系指数的构建提供了多样性。
本实施例提供了一种煤炭价格指数预测与供需关系指数构建方法，可以充分利用多种来源的大数据信息，构建预测模型精准预测煤炭价格指数未来走势，并提出了一套适合煤炭市场的新的煤炭供需关系指数体系，同时对于数据中复杂的缺失情形，给出了各种情形下的归整补齐方案，完善了基础数据的构建。
实施例三
如图12所示，一种煤炭价格指数预测与供需关系指数构建方法，包括以下步骤：
S1：获取煤炭交易历史数据并在多个维度进行分类；
在实际应用中，所述获取煤炭交易历史数据并在多个维度进行分类具体为：在特征、属性和频率维度对煤炭交易历史数据进行分类，得到同一数据在不同维度下的分类结果。
在实际应用中，所述特征分类具体分类为供给、需求、价格和其他，所述属性分类具体分类为存量和流量，所述频率分类具体分类为日度、周度、旬度、月度、季度和年度，并对旬度、季度和年度数据做删除处理。
在实际应用中，如图3所示，具体包括以下步骤：
S101:确定三种数据分类方式，分别为特征分类、属性分类和频率分类；
在实际应用中，特征分类分为四个维度，分别为供给(S)、需求(D)、价格(P)、其他(O)。供给维度的数据包含于煤炭生产、运输有关的变量；需求维度的数据包含与煤炭消费有关的信息，如发电量、钢铁产量等涉及煤炭消费的数据；价格维度的数据主要为全国不同省份煤炭的价格；其他维度的数据包含了一些宏观层面的指标，比如国内生产总值和消费价格指数等。
在实际应用中，属性分类分为流量和存量两个维度，流量是指一定时期内发生的某种经济变量变动的数值，它是在一定的时期内测度的，其大小有时间维度。存量(stock)是指某一指定的时点上，过去生产与积累起来的产品、货物、储备、资产负债的结存数量。
在实际应用中，频率分类划分为日度(D)、周度(W)、旬度(10D)、月度(M)、季度(S)和年度(Y)六个维度。
S102:采用不同的分类方式得到原始数据的分类结果。
在实际应用中，将所有文件分别根据根据特征、属性和频率划分进对应的维度，得出归类结果。由于所需估计的煤炭价格数据是周度数据，因此为了保证数据的有效性，删除了跨度过长的旬度、季度和年度数据。
在实际应用中，同一数据同时具备一个特征分类、一个属性分类和一个频率分类。
S2：对分类后的煤炭交易历史数据进行技术处理；
在实际应用中，所述对分类后的煤炭交易历史数据进行技术处理包括以下步骤：对煤炭交易历史数据进行文件重命名；对煤炭交易历史数据中的错误数据进行纠错；对煤炭交易历史数据的缺失数据进行补齐；将日度和月度煤炭交易历史数据统一为周度数据：
S3：对煤炭交易历史数据进行文件重命名；
在实际应用中，如图4所示，文件重命名具体步骤如下：
S201:整理原始数据中每个文件的数据起止日期以及变量信息；
S202:删除部分数据；
在实际应用中，删除所有始于2015年以后(不包含2015年)的数据或者终于2017年之前(不包含2017年)的数据，这样做的目的是为了保证在之后分析过程中有足够的数据量和最新的数据。
S203：定义文件名和英文变量名。
在实际应用中，按照日、周和月的频率排序，然后按照文件名A-Z排序，赋予每个文件名唯一的序号，最终将文件命名为文件所在特征维度(S,D,P,O)加序号，英文变量名根据中文变量名的英文简写或中文开头首字母来命名。
在实际应用中，具体命名方式如图5所示。
S4：对煤炭交易历史数据中的错误数据进行纠错；
在实际应用中，如图6所示，数据纠错具体包括以下步骤：
S301：判断数据是否出现长时间非结构性中断的情况，如果出现该情况，则删除期间的数据，保留之后结构性缺失的数据。
在实际应用中，如2013年8月至2014年5月数据出现非结构性中断，则删除该时间段的数据，保存2014年5月之后的数据。
S302：判断数据是否出现过早停止更新的情况，如果出现该情况，则从数据集中删除该数据文件。
在实际应用中，如2012年9月之前某数据就停止了更新，则将该数据完全删除。
S303：判断数据是否出现结果明显不合理的情形，如果出现该情况，则根据相关报告或新闻中获取数据进行修正。
在实际应用中，若出现某个数据在某个时间段太高或太低，将这个时间段的数据放弃，从报告和新闻中获取数据来修正。
S4：对煤炭交易历史数据的缺失数据进行补齐；
在实际应用中，所述对煤炭交易历史数据的缺失数据进行补齐包括以下步骤：将缺失数据分类成非系统性缺失和系统性缺失；对非系统性缺失数据，采用前后数据的均值补齐；对系统化缺失分类成结构性缺失和非结构性缺失；对结构性缺失采用AR模型进行填补，对非结构性缺失，采用取均值的方法进行补齐。
在实际应用中，如图7所示，数据缺失补齐包括以下步骤：
S401，统计缺失状况，将缺失形式分为非系统性缺失和系统性缺失。
S402，针对非系统性缺失，认为是由于随机因素导致，不会影响到数据结果，因此采用前后一个月数据的均值填补缺漏。
S403，对于系统性缺失，不同情况采用不同方法：
非结构性缺失+非正常年度：比如对于某年度2月数据取值极高的年度，猜测其为该年度2月份数据为1-2月的加总值，同时认为非正常年度的1月与2月的取值之比与相邻正常年份的1月与2月取值之比相同，故以此为基础对非正常年度的2月取值按比例折算，拆分为1月和2月的取值。
非结构性缺失+正常年度：若某年某月的数据缺失，而大多数年份的该月数据正常，会用相邻无缺失数据年份的该月值与下月值作比，得到两月数据的取值比例。然后用数据缺失年的下月值数据乘以上述比例，得到数据缺失年的该月数据估计值
结构性缺失：若某一数据集中某月数据集体缺失，便无法通过上述计算比例的方法估计缺失值，此时使用AR模型进行预测。举例而言，对于12月份数据缺失的情况，可以利用当年1-11月的数据预测当年12月份的数据。在编辑函数时，首先提取某一年的观测进入子集，考察当年的首列变量是否有缺失值，若有，则用1-11月的数据建立AR模型并让程序自动选择滞后的阶数，模型对12月的预测值即为补缺值；若首列变量没有缺失值，则进入第二列变量并重复上述判断过程，直至对该年所有变量判断完毕。依次考察每一年所有变量的缺失情况并补齐，最终得到内容完整的数据集。对1月数据缺失的情况，处理步骤大致类似，只是把AR模型换成了反向AR模型，即用12月至2月的数据建模，往前预测得到1月的观测估计值。
在实际应用中，数据补齐主要的想法就是将缺失分为两类：一类是结构性缺失，比如每年的一月、二月的缺失。针对这一类结构性缺失，会使用AR模型进行填补，这是基于对于季节性每年近似相同的假设而来的。第二类是非结构性缺失，比如在完整的数据中，突然有某一年的五月缺失。针对非结构性缺失，使用了取均值的手工填补，因为很难找到这些缺失背后基于的假设以及可能可以使用的方法。
在实际应用中，先判断缺失的位置，再利用R语言中标准包的ar.predict函数去进行补缺，补缺是倒序进行的，因为结构性缺失多出现在1-2月。
S5：将日度和月度煤炭交易历史数据统一为周度数据。
在实际应用中，所述将日度和月度煤炭交易历史数据统一为周度数据具体为：对日度数据，取每周每天的数据相加，并取平均值为周度数据；对月度数据，取每年每月的数据相加，并在其中取52个时间点进行平均和差分后得到周度数据。
在实际应用中，如图8所示，具体包括以下步骤：
S501:对于数据频率转换,分类两类，一类是日度数据转为周度数据，另一类是月度数据转周度数据；
S502:在日度数据转为周度数据时，由于日度数据均为流量数据，因此可以取每周数据的平均值作为周度的数据；
S503:月度数据到周度的数据的转换是利用了数据的变动规律，由于月度数据绝大多数是流量数据，因此这个方法将每年每个月的数据加总变换为存量数据，数据因此呈现出了增长趋势，在其中插入52个时间点，从而可以估计出一年中52周的存量数据，差分后得到每一周的流量数据。
S6：根据处理后的煤炭交易历史数据构建煤炭供需关系指数。
在实际应用中，所述根据处理后的煤炭交易历史数据构建煤炭供需关系指数具体为：将采购经理指数、大宗商品供需关系指数和定义时间序列差分函数结合，利用分类处理后的部分数据同上期的关系构建供需关系指数。
在实际应用中，具体采用供给数据和需求数据中最影响价格的数据同上期的关系构建供需关系指数。
在实际应用中，所述采购经理指数通过对采购经理的月度调查汇总出来的指数，能够反映经济的变化趋势，通过各指标的动态变化来反映经济活动所处的周期状态。
在实际应用中，所述大宗商品供需关系指数是由生意社创建的大宗商品供需指指数，用来反映下游制造业经济情况，供需关系影响价格，价格变化反映供需关系变化。
在实际应用中，所述定义时间序列差分函数是定量预测方法之一。它包括一般统计分析(如自相关分析，谱分析等)，统计模型的建立与推断，以及关于时间序列的最优预测、控制与滤波等内容，侧重研究数据序列的互相依赖关系。
在实际应用中，以上方式规避了传统的计算原理(如PMI，CPI等)需要大量、定期数据采集的高额成本和可操作性问题。直接利用历史数据中蕴含的供需关系信息来构建供需关系指数。
在实际应用中，如图9至图11所示，设计有以下分别对应图9至图11的三种不同的计算原理来判断一个供需因子上涨还是下跌：
(1)超过上期就是上涨，低于上期就是下跌；
(2)超过上期1％就是上涨，低于上期1％就是下跌，其余算持平；
(3)超过前5期EMA(Exponential Moving Average,指数移动平均值)就是上涨，低于前5期EMA就是下跌，其余算持平。
在实际应用中，通过多种方式衡量计算涨跌，为供需关系指数的构建提供了多样性。
本实施例提供了一种煤炭价格指数预测与供需关系指数构建方法，可以充分利用多种来源的大数据信息，提出了一套适合煤炭市场的新的煤炭供需关系指数体系。
实施例四
如图13所示，一种煤炭价格指数预测与供需关系指数构建系统，所述煤炭价格指数与供需关系指数预测系统包括以下模块：
数据分类模块1，用于在多个维度对煤炭交易历史数据进行分类；
数据处理模块2，用于对分类后的煤炭交易历史数据进行技术处理；
价格预测模块3，用于对煤炭价格指数进行预测；
指数构建模块4，用于构建煤炭供需关系指数。
在实际应用中，所述数据处理模块包括以下模块：命名模块，对历史数据进行文件重命名；纠错模块，用于对错误数据进行纠错；缺失补齐模块，对缺失数据进行补齐；频率统一模块，用于将历史数据统一为周度数据。
本实施例提供了一种煤炭价格指数预测与供需关系指数构建系统，用于充分利用多种来源的大数据信息，构建预测模型精准预测煤炭价格指数未来走势，并提出了一套适合煤炭市场的新的煤炭供需关系指数体系。
本发明实施的优点：本发明所述的一种煤炭价格指数预测与供需关系指数构建方法，包括以下步骤：获取煤炭交易历史数据并在多个维度进行分类；对分类后的煤炭交易历史数据进行技术处理；根据处理后的煤炭交易历史数据对煤炭价格指数进行预测；根据处理后的煤炭交易历史数据构建煤炭供需关系指数；本发明在综合考虑可行性、实用性以及技术先进性等指标的基础上，根据行业统计数据和其他公开数据建立了一套算法预测模型体系，生成预测图像及数据；本发明可以充分利用多种来源的大数据信息，精准预测煤炭价格指数未来走势，提出一套适合煤炭市场的新的煤炭供需关系指数体系。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种煤炭价格指数预测与供需关系指数构建方法，其特征在于，所述煤炭价格指数预测与供需关系指数构建方法包括以下步骤：
获取煤炭交易历史数据并在多个维度进行分类；
对分类后的煤炭交易历史数据进行技术处理；
根据处理后的煤炭交易历史数据对煤炭价格指数进行预测；
根据处理后的煤炭交易历史数据构建煤炭供需关系指数。
2.根据权利要求1所述的煤炭价格指数预测与供需关系指数构建方法，其特征在于，所述获取煤炭交易历史数据并在多个维度进行分类具体为：在特征、属性和频率维度对煤炭交易历史数据进行分类，得到同一数据在不同维度下的分类结果。
3.根据权利要求2所述的煤炭价格指数预测与供需关系指数构建方法，其特征在于，所述特征分类具体分类为供给、需求、价格和其他，所述属性分类具体分类为存量和流量，所述频率分类具体分类为日度、周度、旬度、月度、季度和年度，并对旬度、季度和年度数据做删除处理。
4.根据权利要求3所述的煤炭价格指数预测与供需关系指数构建方法，其特征在于，所述对分类后的煤炭交易历史数据进行技术处理包括以下步骤：对煤炭交易历史数据进行文件重命名；对煤炭交易历史数据中的错误数据进行纠错；对煤炭交易历史数据的缺失数据进行补齐；将日度和月度煤炭交易历史数据统一为周度数据。
5.根据权利要求4所述的煤炭价格指数预测与供需关系指数构建方法，其特征在于，所述对煤炭交易历史数据的缺失数据进行补齐包括以下步骤：将缺失数据分类成非系统性缺失和系统性缺失；对非系统性缺失数据，采用前后数据的均值补齐；对系统化缺失分类成结构性缺失和非结构性缺失；对结构性缺失采用AR模型进行填补，对非结构性缺失，采用取均值的方法进行补齐。
6.根据权利要求5所述的煤炭价格指数预测与供需关系指数构建方法，其特征在于，所述将日度和月度煤炭交易历史数据统一为周度数据具体为：对日度数据，取每周每天的数据相加，并取平均值为周度数据；对月度数据，取每年每月的数据相加，并在其中取52个时间点进行平均和差分后得到周度数据。
7.根据权利要求1至6之一所述的煤炭价格指数预测与供需关系指数构建方法，其特征在于，所述根据处理后的煤炭交易历史数据对煤炭价格指数进行预测具体为：选取差分整合移动平均自回归模型作为基准模型，使用滚动预测法，在分类处理后的数据中取和价格指数相关性最强的数据构建预测模型对煤炭价格指数进行预测。
8.根据权利要求7所述的煤炭价格指数预测与供需关系指数构建方法，其特征在于，所述根据处理后的煤炭交易历史数据构建煤炭供需关系指数具体为：将采购经理指数、大宗商品供需关系指数和定义时间序列差分函数结合，利用分类处理后的部分数据同上期的关系构建供需关系指数。
9.一种煤炭价格指数预测与供需关系指数构建系统，其特征在于，所述煤炭价格指数与供需关系指数预测系统包括以下模块：
数据分类模块，用于在多个维度对煤炭交易历史数据进行分类；
数据处理模块，用于对分类后的煤炭交易历史数据进行技术处理；
价格预测模块，用于对煤炭价格指数进行预测；
指数构建模块，用于构建煤炭供需关系指数。
10.根据权利要求9所述的煤炭价格综合指数与供需关系指数预测系统，其特征在于，所述数据处理模块包括以下模块：命名模块，对历史数据进行文件重命名；纠错模块，用于对错误数据进行纠错；缺失补齐模块，对缺失数据进行补齐；频率统一模块，用于将历史数据统一为周度数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010383684.3A CN111563774A (zh) | 2020-05-08 | 2020-05-08 | 一种煤炭价格指数预测与供需关系指数构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010383684.3A CN111563774A (zh) | 2020-05-08 | 2020-05-08 | 一种煤炭价格指数预测与供需关系指数构建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111563774A true CN111563774A (zh) | 2020-08-21 |
Family
ID=72074574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010383684.3A Pending CN111563774A (zh) | 2020-05-08 | 2020-05-08 | 一种煤炭价格指数预测与供需关系指数构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563774A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488524A (zh) * | 2020-12-01 | 2021-03-12 | 上海航天能源股份有限公司 | 一种燃气多气源的采购指导系统及方法 |
| CN113095604A (zh) * | 2021-06-09 | 2021-07-09 | 平安科技（深圳）有限公司 | 产品数据的融合方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160273A (zh) * | 2015-09-17 | 2015-12-16 | 西安未来国际信息股份有限公司 | 一种基于访问控制和智能检索的知识管理方法 |
| CN107301471A (zh) * | 2017-06-07 | 2017-10-27 | 前海梧桐（深圳）数据有限公司 | 基于大数据的行业趋势精准预测方法及其系统 |
| CN107315884A (zh) * | 2017-07-04 | 2017-11-03 | 北京首钢自动化信息技术有限公司 | 一种基于线性回归的建筑能耗建模方法 |
| CN107748792A (zh) * | 2017-11-01 | 2018-03-02 | 上海数据交易中心有限公司 | 数据检索方法及装置、终端 |
| CN108572952A (zh) * | 2017-03-07 | 2018-09-25 | 纬衡浩建科技（深圳）有限公司 | 一种工程电子文件的结构化处理方法和系统 |
| CN110070225A (zh) * | 2019-04-22 | 2019-07-30 | 华电莱州发电有限公司 | 一种基于供需关系大数据的下水煤价预测方法 |
| CN110827091A (zh) * | 2019-11-12 | 2020-02-21 | 成都航天科工大数据研究院有限公司 | 一种工业原材料价格预测方法 |
-
2020
- 2020-05-08 CN CN202010383684.3A patent/CN111563774A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160273A (zh) * | 2015-09-17 | 2015-12-16 | 西安未来国际信息股份有限公司 | 一种基于访问控制和智能检索的知识管理方法 |
| CN108572952A (zh) * | 2017-03-07 | 2018-09-25 | 纬衡浩建科技（深圳）有限公司 | 一种工程电子文件的结构化处理方法和系统 |
| CN107301471A (zh) * | 2017-06-07 | 2017-10-27 | 前海梧桐（深圳）数据有限公司 | 基于大数据的行业趋势精准预测方法及其系统 |
| CN107315884A (zh) * | 2017-07-04 | 2017-11-03 | 北京首钢自动化信息技术有限公司 | 一种基于线性回归的建筑能耗建模方法 |
| CN107748792A (zh) * | 2017-11-01 | 2018-03-02 | 上海数据交易中心有限公司 | 数据检索方法及装置、终端 |
| CN110070225A (zh) * | 2019-04-22 | 2019-07-30 | 华电莱州发电有限公司 | 一种基于供需关系大数据的下水煤价预测方法 |
| CN110827091A (zh) * | 2019-11-12 | 2020-02-21 | 成都航天科工大数据研究院有限公司 | 一种工业原材料价格预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488524A (zh) * | 2020-12-01 | 2021-03-12 | 上海航天能源股份有限公司 | 一种燃气多气源的采购指导系统及方法 |
| CN112488524B (zh) * | 2020-12-01 | 2024-04-16 | 上海航天能源股份有限公司 | 一种燃气多气源的采购指导系统及方法 |
| CN113095604A (zh) * | 2021-06-09 | 2021-07-09 | 平安科技（深圳）有限公司 | 产品数据的融合方法、装置、设备及存储介质 |
| WO2022257457A1 (zh) * | 2021-06-09 | 2022-12-15 | 平安科技（深圳）有限公司 | 产品数据的融合方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11699198B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
| Hong et al. | Energy forecasting: A review and outlook | |
| Wu et al. | Optimal site selection for parabolic trough concentrating solar power plant using extended PROMETHEE method: A case in China | |
| Wu et al. | Site selection decision framework using fuzzy ANP-VIKOR for large commercial rooftop PV system based on sustainability perspective | |
| Andrews et al. | The best versus the rest: the global productivity slowdown, divergence across firms and the role of public policy | |
| CN102567807B (zh) | 加油卡客户流失预测方法 | |
| EP3718194A1 (en) | System and method for optimal control of energy storage system | |
| CN102708149A (zh) | 数据质量管理方法和系统 | |
| CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
| Dhavale et al. | Stochastic internal rate of return on investments in sustainable assets generating carbon credits | |
| Härtel et al. | Assessing the impact of sampling and clustering techniques on offshore grid expansion planning | |
| Shiraki et al. | Back to the basic: toward improvement of technoeconomic representation in integrated assessment models | |
| CN111160867A (zh) | 大范围地域停车场大数据分析系统 | |
| CN111563774A (zh) | 一种煤炭价格指数预测与供需关系指数构建方法及系统 | |
| WO2024001045A1 (zh) | 碳配额盈缺预测方法、装置电子设备及存储介质 | |
| US20190066235A1 (en) | Systems and methods for energy management | |
| CN105405069A (zh) | 一种购电经营决策分析与数据处理方法 | |
| CN112101769A (zh) | 供应链风险管理系统 | |
| KR101738898B1 (ko) | 시장예측정보 제공방법 및 그 컴퓨터 프로그램 | |
| Dumrul et al. | The evaluation of renewable energy alternatives in Turkey using intuitionistic-fuzzy EDAS methodology | |
| Jensen | Global Decarbonization in Fossil Fuel Export-Dependent Economies-Fiscal and Economic Transition Costs | |
| CN117172549A (zh) | 一种施工预算生成方法、系统、终端设备及存储介质 | |
| Pham et al. | Predictive analysis of the supply chain management using machine learning approaches: Review and taxonomy | |
| Finkelshtein et al. | Economic optimization of off-line inspection in a process subject to failure and recovery | |
| CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |