CN111932044A - 一种基于机器学习的钢铁产品价格预测系统和方法 - Google Patents
一种基于机器学习的钢铁产品价格预测系统和方法 Download PDFInfo
- Publication number
- CN111932044A CN111932044A CN202011114311.2A CN202011114311A CN111932044A CN 111932044 A CN111932044 A CN 111932044A CN 202011114311 A CN202011114311 A CN 202011114311A CN 111932044 A CN111932044 A CN 111932044A
- Authority
- CN
- China
- Prior art keywords
- price
- data
- trend
- time sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 61
- 239000010959 steel Substances 0.000 title claims abstract description 61
- 238000010801 machine learning Methods 0.000 title claims abstract description 41
- 230000001932 seasonal effect Effects 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000000611 regression analysis Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013524 data verification Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000007596 consolidation process Methods 0.000 claims description 2
- 230000005477 standard model Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于机器学习的钢铁产品价格预测系统和方法,使用多源数据(包括期货、现货交易数据、钢联数据、基价数据、社会库存数据等),并利用机器学习模型FBprophet时序序列算法进行建模和训练,以形成一个基于机器学习的用于钢铁热轧产品等现货价格预测方法,进而提供应用性强、精确度高和稳定性好的价格预测。通过将现货价格走势的数据拆解为季节特征分项、趋势特征分项和随机特征分项。融合其中的趋势特征分项、克强指数、高炉产能利用率、采购经理指数、热轧期货主力合约价等若干个因素的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以此对标准模型的预测结果进行算法修正。
Description
技术领域
本发明涉及计算机技术领域,尤其是涉及一种基于机器学习的钢铁产品价格预测系统和方法。
背景技术
目前,钢铁热轧产品现货价格预测方法单一,预测精确度有待提升。其中,钢铁热轧产品现货价格预测所使用的预测样本特征简单,大多仅涉及钢铁热轧产品的基本属性和特征,没有考虑到宏观趋势性、周期性与随机性和实际的业务之间的契合度和适用性,导致在进行价格预测时的精确度和稳定性不足。同时,钢铁热轧产品现货价格的预测模型较为简单,采用较为基础的数值预测模型。其中包括简单平均法、移动平均法、指数平滑法和整合移动平均自回归模型Autoregressive Integrated Moving Average Model (ARIMA)预测法等,但不能很好地将时序数据和时间特征结合得很好,或者难以对非线性数据进行预测。因此,现有的钢铁热轧产品的现货价格预测方法难以满足社会生产活动的实际需求,限制了企业通过价格预测把握市场机会先机的有力程度。
发明内容
本发明的一个目的在于提供一种基于机器学习的价格预测系统和方法。
依据本发明的一个方面,提供了一种基于机器学习的价格预测系统,包括价格预测指标筛选模块,用于选取一个或多种价格预测相关数据作为价格预测指标,通过数据透视、机器学习与业务经验验证,确定数据样本结构;价格预测模型样本确定模块,用于利用所述价格预测指标根据业务规则进行数据筛选和整合,以构建机器学习模型的训练样本,建立基于业务场景修正后的算法模型;价格预测模型建立模块,用于对产品参数用所述算法模型来分解趋势特征、季节特征和随机特征分项,融合其中的趋势特征分项、一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以建立价格预测模型;和价格预测模块,用于利用价格预测模型建立模块所建立的价格预测模型对历史价格走势进行预测,和/或对未来价格走势进行预测。
依据本发明以上方面的系统,价格预测指标筛选模块之前还包括:历史价格走势获取模块,用于获取历史现货价格走势数据,和/或根据历史现货价格走势数据确定趋势性因素预测数值、季节性因素预测数值和随机性因素预测数值,所述趋势性因素预测数值用于表示价格数据的变化趋势的预测值,所述季节性因素预测数值用于表示价格数据的季节性因素的预测值,所述随机性因素预测数值用于表示价格数据受特殊事件冲击式影响产生价格波动幅度的预测值;和/或价格相关性/回归性分析模块,用于根据所述历史现货价格走势来分析现货产品参数之间的价格的相关性,和/或对所述典型产品参数进行价格回归分析和/或合并,其中所述产品参数包括产品的基地、牌号、厚度、宽度和/或重量中的一个或多个。价格预测模块之后还包括:价格预测模型优化模块,用于分析价格预测模型的不同特征分项的合理性,和/或进行业务验证并优化。
依据本发明以上方面的系统,所述多源数据包括期货、现货交易数据、钢联数据、基价数据、社会库存数据、克强指数、高炉产能利用率、采购经理指数、和/或热轧期货主力合约价或其他因素中的一个或多个。
依据本发明以上方面的系统,价格预测系统采用时序序列算法进行建模和训练;
所述价格预测模型样本确定模块包括:短时序填充模块,用于对经时序序列算法包进行时序分解的聚类后的产品成交数据,把实际成交天数小于预定时间段的时序记为短时序,随机抽取部分成交数据填充至该时序,以构建的新时序替换所述聚类成交数据的原时序,以形成时序模型;
所述价格预测模型建立模块包括:趋势项计算模块,用于获取克强指数数据,通过在模型训练时间,调用时序序列算法包训练所述时序模型并预测预定预测长度的克强指数,以获得克强指数趋势;
所述价格预测模块包括:趋势融合调整模块,用于对填充后的时序调用时序序列算法包训练所述时序模型,用移动平均平滑季节项,其中根据所述克强指数趋势和年度周期性进行预测,再融合一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序模型的趋势项,加上原时序的季节项和误差项作为预测值。
依据本发明以上方面的系统,所述短时序填充模块之前还包括:
数据筛选/聚类模块,用于根据业务场景和需求,对原始的产品成交数据进行数据筛选与聚类,分析数据的离散度,确定数据聚类结构,包括基地、牌号、厚度、宽度和/或重量中的一个或多个;和/或
结构聚类模块,用于结合业务需求与数据验证,对部分数据聚类结构进行聚类,包括结合业务规则合并产品的相似牌号,用常用牌号代替,分析产品各厚度对应的价格分布,选取价差较小对应的产品各厚度范围,合并产品厚度范围内厚度,和/或产品宽度和重量按厚度归并的方法分别归并;和/或
时序构建模块,用于对聚类后的成交数据,分结构计算历史的每日成交价格,若当日无成交则按照前一日价格填充,以构建各结构的时序;和/或
所述趋势融合调整模块之后还包括:
预测值调整优化模块,用于把预测值上调今日较昨日的差值,再对预测值做中心移动平均的平滑处理,以输出最终预测值。
所述趋势项计算模块还用于调用时序序列算法包训练时序模型并预测对应于预定预测长度的克强指数,以获取趋势项部分;和/或
所述多源数据包括期货、现货交易数据、钢联数据、基价数据、社会库存数据、克强指数、高炉产能利用率、采购经理指数、和/或热轧期货主力合约价或其他因素中的一个或多个。
依据本发明的另一个方面,提供了一种基于机器学习的钢铁产品价格预测方法,包括:选取一个或多种价格预测相关数据作为价格预测指标;利用所述价格预测指标根据业务规则进行数据筛选和整合,以构建机器学习模型的训练样本,建立基于业务场景修正后的算法模型;对产品参数用所述算法模型来分解趋势特征、季节特征和随机特征分项,融合其中的趋势特征分项、一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以建立价格预测模型;和利用价格预测模型建立模块所建立的价格预测模型对历史价格走势进行预测,和/或对未来价格走势进行预测。
依据本发明以上方面的方法,选取一个或多种价格预测相关数据作为价格预测指标之前还包括:获取历史现货价格走势数据,和/或根据所述历史现货价格走势数据确定趋势性因素预测数值、季节性因素预测数值和随机性因素预测数值,所述趋势性因素预测数值用于表示价格数据的变化趋势的预测值,所述季节性因素预测数值用于表示价格数据的季节性因素的预测值,所述随机性因素预测数值用于表示价格数据受特殊事件冲击式影响产生价格波动幅度的预测值;和/或
根据所述历史现货价格走势来分析现货产品参数之间的价格的相关性,和/或对所述典型产品参数进行价格回归分析和/或合并,其中所述产品参数包括产品的基地、牌号、厚度、宽度和/或重量中的一个或多个;
对历史价格走势进行预测,和/或对未来价格走势进行预测之后还包括:分析价格预测模型的不同特征分项的合理性,和/或进行业务验证并优化。
依据本发明以上方面的方法,所述多源数据包括期货、现货交易数据、钢联数据、基价数据、社会库存数据、克强指数、高炉产能利用率、采购经理指数、和/或热轧期货主力合约价或其他因素中的一个或多个。
依据本发明的再一个方面,提供了一种基于机器学习的钢铁产品价格预测方法,该价格预测方法采用时序序列算法进行建模和训练,包括:对经时序序列算法包进行时序分解的聚类后的产品成交数据,把实际成交天数小于预定时间段的时序记为短时序,随机抽取部分成交数据填充至该时序,以构建的新时序替换所述聚类成交数据的原时序,以形成时序模型;和/或获取克强指数数据,通过在模型训练时间,调用时序序列算法包训练所述时序模型并预测预定预测长度的克强指数,以获得克强指数趋势;和/或对填充后的时序调用时序序列算法包训练所述时序模型,用移动平均平滑季节项,其中根据所述克强指数趋势和年度周期性进行预测,再融合一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序模型的趋势项,加上原时序的季节项和误差项作为预测值。
依据本发明以上方面的方法,还包括:根据业务场景和需求,对原始的产品成交数据进行数据筛选与聚类,分析数据的离散度,确定数据聚类结构,包括基地、牌号、厚度、宽度和/或重量中的一个或多个;和/或结合业务需求与数据验证,对部分数据聚类结构进行聚类,包括结合业务规则合并产品的相似牌号,用常用牌号代替,分析产品各厚度对应的价格分布,选取价差较小对应的产品各厚度范围,合并产品厚度范围内厚度,和/或产品宽度和重量按厚度归并的方法分别归并;和/或
对聚类后的成交数据,分结构计算历史的每日成交价格,若当日无成交则按照前一日价格填充,以构建各结构的时序;和/或预测值调整优化模块,用于把预测值上调今日较昨日的差值,再对预测值做中心移动平均的平滑处理,以输出最终预测值。
依据本发明以上方面的方法,还包括:调用时序序列算法包训练时序模型并预测对应于预定预测长度的克强指数,以获取趋势项部分;和/或所述多源数据包括期货、现货交易数据、钢联数据、基价数据、社会库存数据、克强指数、高炉产能利用率、采购经理指数、和/或热轧期货主力合约价或其他因素中的一个或多个。
依据本发明的再一个方面,提供了一种非瞬时性机器可读存储介质,包括一个或多个指令,所述一个或多个指令响应于被执行而使得一个或多个处理器执行如以上所述方法的一个或多个步骤。
依据本发明的另一个方面,提供了一种用于价格预测的计算设备,包括一个或多个处理器;与所述一个或多个处理器耦合的一个或多个存储器,所述存储器用于存储一个或多个指令,其中所述一个或多个响应于被执行而使得所述一个或多个处理器执行如以上所述方法的一个或多个步骤。
如上所述,依据本发明的上述方面,本发明基于机器学习对钢铁热轧产品等现货的价格走势进行预测,通过利用历史价格数据的规律来实现对某一时刻的价格进行精确稳定的预测。其中,通过将钢铁热轧产品的现货价格走势的数据拆解为季节特征分项、趋势特征分项和随机特征分项;融合其中的趋势特征分项、克强指数、高炉产能利用率、采购经理指数、热轧期货主力合约价等一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以此对标准模型的预测结果进行算法修正。由于本发明使用多源数据(包括期货、现货交易数据、钢联数据、基价数据、社会库存数据等),并利用机器学习模型FBprophet等时序序列算法进行建模和训练,进而提供了业务定位精准、业务结合紧密、应用性强、精确度高和稳定性好的价格预测等优点。相比于传统的预测模型,通过使用选取近500种公司内外部数据作为价格预测指标,通过数据透视、机器学习与业务经验验证,确定数据样本结构,更加有利于钢铁热轧产品的现货价格预测,从而克服了现有技术中预测数据单一、预测精度较差、预测稳定性较差的缺陷和不足。
附图说明
图1示意地示出依据本发明一个实施例的系统的例子的方框图;
图2示意地示出依据本发明一个实施例的方法的例子的流程图;
图3示意地示出依据本发明一个实施例的系统的例子的方框图;
图4示意地示出依据本发明一个实施例的方法的例子的流程图;
图5示意地示出依据本发明一个实施例的设备的例子的方框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
虽然以下描述阐述可以例如在系统架构中示出的各个实现方式,但本文所描述的技术和/或布置的实现方式不限于特定系统架构和/或计算系统,并且可以通过用于相似目的的任何架构和/或计算系统得以实现。例如,采用例如一个多个集成电路芯片和/或封装的各种架构和/或各种计算设备和/或电子设备可以实现本文所描述的技术和/或布置。此外,虽然以下描述可以阐述大量具体细节(例如系统组件的逻辑实现方式、类型和相互关系、逻辑分区/集成选取等),但可以在没有这些具体细节的情况下实践所要求的主题。在其它实例中,为了不模糊本文所公开的材料,可以并不详细地示出一些材料(例如控制结构和完整软件指令序列)。可以在硬件、固件、软件或其任何组合中实现本文所公开的材料。
本文所公开的材料也可以实现为可以由一个或多个处理器读取并且执行的机器可读介质或存储器上所存储的指令。计算机可读介质可以包括用于存储或发送机器(例如计算设备)可读的形式的信息的任何介质和/或机构。例如,机器可读介质可以包括只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质;光存储介质;闪存设备;和/或其它介质。在另一形式中,非瞬时性物品(例如非瞬时性计算机可读介质)可以用于以上所提及的任何示例或其它示例,包括可以通过“瞬时”方式临时保存数据的这些元件(例如RAM等)。
图1示出依据本发明一个实施例的基于机器学习的钢铁产品价格预测系统的一个例子的方框图。在一个实施例中,所述系统100可用于对标准模型的价格预测结果进行算法修正。在一个实施例中,所述系统100可通过将钢铁热轧产品等现货价格走势的数据拆解为季节特征分项、趋势特征分项和随机特征分项,融合其中的趋势特征分项、克强指数、高炉产能利用率、采购经理指数(Purchasing Managers Index (PMI))指数、热轧期货主力合约价等一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以此对标准模型的预测结果进行算法修正。
如图1所示,在一个实施例中,所述系统100包括历史价格走势获取模块102、价格相关性/回归性分析模块104、价格预测指标筛选模块106、价格预测模型样本确定模块108、价格预测模型建立模块110、和/或价格预测模块112。在另一个实施例中,所述系统100还包括价格预测模型验证/优化模块114。
参考图1,所述历史价格走势获取模块102用于获取例如钢铁热轧产品等现货的历史价格走势数据。历史价格走势获取模块102可根据历史价格走势数据确定趋势性因素预测数值、季节性因素预测数值和随机性因素预测数值。其中,所述趋势性因素预测数值用于表示价格数据的变化趋势的预测值,所述季节性因素预测数值用于表示价格数据的季节性因素的预测值,所述随机性因素预测数值用于表示价格数据受特殊事件冲击式影响产生价格波动幅度的预测值。
所述价格相关性/回归性分析模块104可用于分析例如钢铁热轧产品等产品参数之间的价格的相关性,发现规律,和/或对所述典型产品参数进行价格回归分析和/或合并。在一个实施例中,可对历史价格走势获取模块102的历史价格走势数据进行所述分析。在一个实施例中,所述产品参数可包括基地、牌号、厚度、宽度和/或重量中的一个或多个等,但本发明不限于此。
价格预测指标筛选模块106可用于选取例如一个或多种价格预测相关数据(例如,500种内外部数据,但本发明不限于此)作为价格预测指标,通过数据透视、机器学习与业务经验验证,以针对不同业务场景确定相应数据样本结构。其中,数据透视是指将筛选、排序和分类汇总等操作依次完成并生成汇总表格,机器学习与业务经验验证是指通过K-Means聚类算法,结合等高线图,选取高稳定性、代表性的成分组合(品种、牌号、基地、宽度、厚度和/或重量),并与业务经验进行验证,确定最终的数据样本结构。在一个实施例中,所述内部数据可包括例如钢铁热轧产品等现货和/或期货成交数据等,所述外部数据可包括例如克强指数、多种外部宏观经济指标等多源数据。
价格预测模型样本确定模块108可用于根据业务规则利用所述价格预测指标进行数据筛选和整合,以构建机器学习模型的训练样本,以建立基于业务场景修正后的算法模型,例如,时序序列算法(FBprophet)模型。
价格预测模型建立模块110可用于对例如基地、牌号、厚度、宽度和/或重量结构等产品参数,用时序序列算法FBprophet来分解趋势特征、季节特征和随机特征分项,融合其中的趋势特征分项、一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值。在一个实施例中,所述多源数据可包括期货、现货交易数据、钢联数据、基价数据、社会库存数据、克强指数、高炉产能利用率、PMI指数、和/或热轧期货主力合约价或其他因素中的一个或多个。
所述价格预测模块112可利用价格预测模型建立模块110所建立的所述算法模型对历史的价格走势进行预测,和/或对未来(例如,3个月或90天或其他时间段,但本发明不限于此)的价格走势进行预测。
所述价格预测模型验证/优化模块114可用于分析所述价格预测模型的不同特征分项的合理性,与业务验证并优化。在一个实施例中,可利用已有数据的规律和业务验证效果做技术选型,确定最终修正的算法模型和预测方法。在另一个实施例中,所述系统100可不包括价格预测模型验证/优化模块114,但本发明不限于此。
图1中示出系统100的一个例子,在其他实施例中,所述系统100的一个或多个部分可由软件、硬件、固件和/或其各种组合来实现,以用于执行图2或4所示流程中的一个或多个。在另一个实施例中,所述系统100的一部分或全部可由软件来实现,以用于执行图2或4所示流程中的一个或多个。
如图1所示,所述系统100可通过将钢铁热轧产品的现货价格走势的数据拆解为季节特征分项、趋势特征分项和随机特征分项,融合其中的趋势特征分项、克强指数、高炉产能利用率、PMI指数、热轧期货主力合约价等若干个因素的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以此对标准模型的预测结果进行算法修正。所述系统100还使用多源数据(包括期货、现货交易数据、钢联数据、基价数据、社会库存数据等),并利用机器学习模型FBprophet时序序列算法进行建模和训练,以基于机器学习对钢铁热轧产品现货价格进行预测。所述系统100还通过使用选取近500种公司内外部数据作为价格预测指标,通过数据透视、机器学习与业务经验验证,确定数据样本结构,更加有利于钢铁热轧产品的现货价格预测,预测精确度高、应用性强、具有较好的稳定性。
图2示出依据本发明一个实施例的基于机器学习的钢铁产品价格预测方法的一个例子的流程图。如图2所示,在一个实施例中,所述方法可用于将钢铁热轧产品的现货价格走势的数据拆解为季节特征分项、趋势特征分项和随机特征分项。融合其中的趋势特征分项、克强指数、高炉产能利用率、PMI指数、和/或热轧期货主力合约价等一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以此对标准模型的预测结果进行算法修正(例如,参考图1的系统100所述)。
参考图2,步骤202,可获取例如钢铁热轧产品等现货产品的历史现货价格走势数据,以根据所述历史价格走势数据确定趋势性因素预测数值、季节性因素预测数值和随机性因素预测数值。其中,所述趋势性因素预测数值用于表示价格数据的变化趋势的预测值,所述季节性因素预测数值用于表示价格数据的季节性因素的预测值,所述随机性因素预测数值用于表示价格数据受特殊事件冲击式影响产生价格波动幅度的预测值。流程进到步骤204。
步骤204,可分析钢铁热轧产品等典型产品参数之间的价格的相关性,发现规律,和/或对所述典型产品参数进行价格回归分析和/或合并。在一个实施例中,所述产品参数可包括基地、牌号、厚度、宽度和/或重量等,但本发明不限于此。在一个实施例中,可利用所获取的历史价格走势来进行所述分析。流程进到步骤206。
步骤206,可选取例如一个或多种价格预测相关数据(例如,500种内外部数据,但本发明不限于此)作为现货价格预测指标,通过数据透视、机器学习与业务经验验证,以针对不同业务场景确定相应数据样本结构。流程进到步骤208。在一个实施例中,所述内部数据可包括例如钢铁热轧产品等现货和/或期货成交数据等,所述外部数据可包括例如克强指数、多种外部宏观经济指标等多源数据。
步骤208,可利用所述价格预测指标根据业务规则进行数据筛选和整合,以构建机器学习模型的训练样本,以建立基于业务场景修正后的算法模型,例如,时序序列算法(例如,FBprophet)模型。流程进到步骤210。所述训练样本可用于现货价格预测模型。
步骤210,可对例如基地、牌号、厚度、宽度和/或重量结构等产品参数,用时序序列算法FBprophet来分解趋势特征、季节特征和随机特征分项,融合其中的趋势特征分项、克强指数、高炉产能利用率、PMI指数、和/或热轧期货主力合约价等一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以建立现货价格预测模型。流程进到步骤212。
步骤212,可利用步骤210所述的算法模型对历史的现货价格走势进行预测,对未来(例如,3个月或90天或其他时间段,但本发明不限于此)的现货价格走势进行预测。
步骤214,可分析算法模型的不同特征分项的合理性,与业务验证并优化。在一个实施例中,可利用已有数据的规律和业务验证效果做技术选型,确定最终修正的算法模型和预测方法。在另一个实施例中,所述方法可不包括步骤214所述的流程,但本发明不限于此。
如图2所示,所述方法可通过将钢铁热轧产品的现货价格走势的数据拆解为季节特征分项、趋势特征分项和随机特征分项,融合其中的趋势特征分项、克强指数、高炉产能利用率、PMI指数、热轧期货主力合约价等若干个因素的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以此对标准模型的预测结果进行算法修正。所述方法还使用多源数据(包括期货、现货交易数据、钢联数据、基价数据、社会库存数据等),并利用机器学习模型FBprophet时序序列算法进行建模和训练,以基于机器学习对钢铁热轧产品现货价格进行预测。所述方法还通过使用选取近500种公司内外部数据作为价格预测指标,通过数据透视、机器学习与业务经验验证,确定数据样本结构,更加有利于钢铁热轧产品的现货价格预测,预测精确度高、应用性强、具有较好的稳定性。
图3示出依据本发明一个实施例的基于机器学习的钢铁产品价格预测系统的一个例子的方框图。如图3所示,在一个实施例中,所述系统300可用于使用机器学习语言Python中的FBprophet包对钢铁热轧产品等现货产品的实际成交价格进行预测,通过使用现货和期货成交数据作为内部数据,例如克强指数和/或一种或多种宏观经济指标等多源数据作为外部指标,利用FBprophet模型分解钢铁热轧产品成交时序获得趋势项,只设置年趋势项的傅里叶分解部分个数为4,而月、日趋势项的傅里叶分解部分设为空,对克强指数做时序分解,融合内外部趋势,参照外部指标对季节项调整,对预测值做90日中心移动平均,作为最终预测值。如图3所示,在一个实施例中,所述系统300可包括数据筛选/聚类模块302、结构聚类模块304、时序构建模块306、时序分解模块308、短时序填充模块310、趋势项计算模块312、趋势融合/调整模块314、和/或预测值调整/优化模块316。
如图3所示,所述数据筛选/聚类模块302可用于进行数据筛选与聚类。所述数据筛选/聚类模块302可用于根据业务场景和需求,对原始成交记录数据进行筛选,可分析数据的离散度,确定数据聚类结构,例如基地、牌号、厚度、宽度和/或重量等。
所述结构聚类模块304可用于结合业务需求与数据验证,进行部分结构的聚类。例如,可结合业务规则合并相似牌号,用常用牌号代替;分析各厚度对应的价格分布,选取价差较小对应的各厚度范围,合并厚度范围内厚度;和/或宽度和重量按厚度归并的方法分别归并等。
所述时序构建模块306用于进行时序构建。例如,根据聚类后的成交数据,分结构(基地、牌号、厚度、宽度和/或重量等)计算历史(例如,近四年或其他时间段,但本发明不限于此)的每日成交价格,若当日无成交则按照前一日价格填充,以构建各结构的时序。
所述时序分解模块308用于调用FBprophet包对各时序分解(例如,年度周期数可以为4,但本发明不限于此),分解时序为趋势项、季节项和误差项。
所述短时序填充模块310可用于把实际成交天数小于例如270天(或其他较短时间段)的时序记为短时序,随机抽取部分热轧产品(或其他现货)的交易记录填充至该时序,从而以构建的新时序替换原时序,以形成修正的时序模型。
趋势项计算模块312可用于计算克强指数趋势。例如,可获取例如克强指数数据等。设置模型训练时间为例如36天(或其他时间段),如有缺失按前一日填充。所述趋势项计算模块312可调用FBprophet包训练时序模型并预测例如90天(或其他时间段)的克强指数,以获取趋势项部分。在另一个实施例中,可利用其他与趋势项相关的多源数据来进行趋势项计算。其中,可把预测长度设置为90天或其他时间段。
趋势融合/调整模块314可用于对填充后时序调用FBprophet包训练时序模型,例如可如上所述把预测长度设为90天(或其他时间段),用移动平均平滑季节项。可根据外部克强指数的趋势和内部年度周期性,在真实数据基础上进行预测,再融合高炉产能利用率、PMI指数、热轧期货主力合约价等一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值。
预测值调整/优化模块316可用于把预测值上调今日较昨日的差值,再对预测值做例如90日(例如对应于预测长度)中心移动平均的平滑处理,以作为最终的预测值输出。
图3中示出系统300的一个例子,在其他实施例中,所述系统300的一个或多个部分可由软件、硬件、固件和/或其各种组合来实现,以用于执行图2或4所示流程中的一个或多个。在另一个实施例中,所述系统300的一部分或全部可由软件来实现,以用于执行图2或4所示流程中的一个或多个。
图3所示的价格预测系统为图1所示的价格预测系统采用时序序列算法进行建模和训练的一个示例,图1中的价格预测模型样本确定模块108、价格预测模型建立模块110与图3中的短时序填充模块310、趋势项计算模块312、趋势融合调整模块314相对应。
图4示出依据本发明一个实施例的基于机器学习的钢铁产品价格预测方法的一个例子的流程图。如图4所示,在一个实施例中,所述方法可用于使用机器学习语言Python中的FBprophet包对钢铁热轧产品等现货产品的实际成交价格进行预测,通过使用现货和期货成交数据作为内部数据,例如克强指数和/或一种或多种外部宏观经济指标等多源数据作为外部指标,利用FBprophet模型分解钢铁热轧产品成交时序获得趋势项,只设置年趋势项的傅里叶分解部分个数为4,而月、日趋势项的傅里叶分解部分设为空,对克强指数做时序分解,融合内外部趋势,参照外部指标对季节项调整,对预测值做90日中心移动平均,作为最终预测值。
如图4所示,在一个实施例中,步骤402,可进行数据筛选与聚类。例如,可根据业务场景和需求,对例如钢铁热轧产品等现货的原始成交记录进行筛选,可分析数据的离散度,确定数据聚类结构,例如基地、牌号、厚度、宽度和/或重量等。
步骤404,可结合业务需求与数据验证,进行部分结构的聚类。例如,可结合业务规则合并相似牌号,用常用牌号代替;分析各厚度对应的价格分布,选取价差较小对应的各厚度范围,合并厚度范围内厚度;和/或宽度和重量按厚度归并的方法分别归并等。
步骤406,可进行时序构建。例如,可根据聚类后的成交数据,分结构(基地、牌号、厚度、宽度和/或重量等)计算历史(例如,近四年或其他时间段,但本发明不限于此)的每日成交价格,若当日无成交则按照前一日价格填充,以构建各结构的时序。
步骤408,可调用FBprophet包对各时序分解(例如,年度周期数可以为4,但本发明不限于此),分解时序为趋势项、季节项和误差项。
步骤410,可把实际成交天数小于例如预定时间段(例如,270天或其他较短时间段)的时序记为短时序,随机抽取热轧产品的部分交易记录填充至该时序,从而以构建的新时序替换原时序,以形成时序模型。
步骤412,可计算克强指数趋势。例如,可获取例如克强指数数据等,设置预定模型训练时间(例如,36天或其他时间段),如有缺失按前一日填充。可调用FBprophet包训练时序模型并预测预定预测长度(例如,90天或其他时间段)的克强指数,以获取趋势项部分。在另一个实施例中,可利用其他与趋势项相关的多源数据来进行趋势项计算。
步骤414,可对填充后时序调用FBprophet包训练时序,例如可把预测长度设为90天或其他时间段,用移动平均来平滑季节项。可根据外部克强指数的趋势和内部年度周期性,在真实数据基础上进行预测,再融合高炉产能利用率、PMI指数、热轧期货主力合约价等一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值。
步骤416,可把预测值上调今日较昨日的差值,再对预测值做例如90日中心移动平均的平滑处理,以作为最终的预测值输出。
图5示出依据本发明一个实施例的示例设备500的一个例子。在一个实施例中,所述设备500可包括一个多个集成电路芯片和/或封装的各种架构和/或各种计算设备和/或电子设备等。可包括一个或多个处理器502以及与所述一个或多个处理器502耦合的一个或多个存储器504。在一个实施例中,所述一个或多个存储器504可包括随机存取存储器、动态随机存取存储器或静态随机存取存储器等各种存储设备。在一个实施例中,所述一个或多个存储器504可用于存储可由所述一个或多个处理器502读取和/或执行的一个或多个指令(例如,机器可读指令和/或计算机程序)。所述一个或多个指令还可存储于一非易失性机器可读存储介质上。响应于被执行,所述一个或多个指令使得所述一个或多个处理器502可实现如图1或3所示的一个或多个模块,和/或执行如以上参考图1-4所述的一个或多个操作。在一个实施例中,图5仅示出设备500的一个例子,而非对本发明的限制。
如上所述,依据本发明图1-5所示的实施例,本发明基于机器学习对钢铁热轧产品等现货的价格走势进行预测,通过利用历史价格数据的规律来实现对某一时刻的价格进行精确稳定的预测。其中,通过将钢铁热轧产品的现货价格走势的数据拆解为季节特征分项、趋势特征分项和随机特征分项;融合其中的趋势特征分项、克强指数、高炉产能利用率、采购经理指数、热轧期货主力合约价等一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以此对标准模型的预测结果进行算法修正。由于本发明使用多源数据(包括期货、现货交易数据、钢联数据、基价数据、社会库存数据等),并利用机器学习模型FBprophet等时序序列算法进行建模和训练,进而提供了业务定位精准、业务结合紧密、应用性强、精确度高和稳定性好的价格预测等优点。相比于传统的预测模型,通过使用选取近500种公司内外部数据作为价格预测指标,通过数据透视、机器学习与业务经验验证,确定数据样本结构,更加有利于钢铁热轧产品的现货价格预测,从而克服了现有技术中预测数据单一、预测精度较差、预测稳定性较差的缺陷和不足。
以上所述仅为本发明的实施例,并不用以限制本发明。凡在本发明精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于机器学习的钢铁产品价格预测系统,其特征在于包括:
价格预测指标筛选模块,用于选取一个或多种价格预测相关数据作为价格预测指标,通过数据透视、机器学习与业务经验验证,确定数据样本结构;
价格预测模型样本确定模块,用于利用所述价格预测指标根据业务规则进行数据筛选和整合,以构建机器学习模型的训练样本,建立基于业务场景修正后的算法模型;
价格预测模型建立模块,用于对产品参数用所述算法模型来分解趋势特征、季节特征和随机特征分项,融合其中的趋势特征分项、一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以建立价格预测模型;和
价格预测模块,用于利用价格预测模型建立模块所建立的价格预测模型对历史价格走势进行预测,和/或对未来价格走势进行预测。
2. 如权利要求1所述的钢铁产品价格预测系统,其特征在于,所述价格预测指标筛选模块之前还包括:
历史价格走势获取模块,用于获取历史现货价格走势数据,和/或根据历史现货价格走势数据确定趋势性因素预测数值、季节性因素预测数值和随机性因素预测数值,所述趋势性因素预测数值用于表示价格数据的变化趋势的预测值,所述季节性因素预测数值用于表示价格数据的季节性因素的预测值,所述随机性因素预测数值用于表示价格数据受特殊事件冲击式影响产生价格波动幅度的预测值;和/或
价格相关性/回归性分析模块,用于根据所述历史现货价格走势来分析现货产品参数之间的价格的相关性,和/或对所述典型产品参数进行价格回归分析和/或合并,其中所述产品参数包括产品的基地、牌号、厚度、宽度和/或重量中的一个或多个;
所述价格预测模块之后还包括:
价格预测模型优化模块,用于分析价格预测模型的不同特征分项的合理性,和/或进行业务验证并优化。
3.如权利要求1或2所述的钢铁产品价格预测系统,其特征在于,所述多源数据包括期货、现货交易数据、钢联数据、基价数据、社会库存数据、克强指数、高炉产能利用率、采购经理指数、和/或热轧期货主力合约价或其他因素中的一个或多个。
4.如权利要求1所述的钢铁产品价格预测系统,其特征在于,所述的钢铁产品价格预测系统采用时序序列算法进行建模和训练,
所述价格预测模型样本确定模块包括:
短时序填充模块,用于对经时序序列算法包进行时序分解的聚类后的产品成交数据,把实际成交天数小于预定时间段的时序记为短时序,随机抽取部分成交数据填充至该时序,以构建的新时序替换所述聚类成交数据的原时序,以形成时序模型;
所述价格预测模型建立模块包括:
趋势项计算模块,用于获取克强指数数据,通过在模型训练时间,调用时序序列算法包训练所述时序模型并预测预定预测长度的克强指数,以获得克强指数趋势;
趋势融合调整模块,用于对填充后的时序调用时序序列算法包训练所述时序模型,用移动平均平滑季节项,其中根据所述克强指数趋势和年度周期性进行预测,再融合一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序模型的趋势项,加上原时序的季节项和误差项作为预测值。
5. 如权利要求4所述的钢铁产品价格预测系统,其特征在于,所述短时序填充模块之前还包括:
数据筛选/聚类模块,用于根据业务场景和需求,对原始的产品成交数据进行数据筛选与聚类,分析数据的离散度,确定数据聚类结构,包括基地、牌号、厚度、宽度和/或重量中的一个或多个;和/或
结构聚类模块,用于结合业务需求与数据验证,对部分数据聚类结构进行聚类,包括结合业务规则合并产品的相似牌号,用常用牌号代替,分析产品各厚度对应的价格分布,选取价差较小对应的产品各厚度范围,合并产品厚度范围内厚度,和/或产品宽度和重量按厚度归并的方法分别归并;和/或
时序构建模块,用于对聚类后的成交数据,分结构计算历史的每日成交价格,若当日无成交则按照前一日价格填充,以构建各结构的时序;和/或
所述趋势融合调整模块之后还包括:
预测值调整优化模块,用于把预测值上调今日较昨日的差值,再对预测值做中心移动平均的平滑处理,以输出最终预测值。
6.一种基于机器学习的钢铁产品价格预测方法,其特征在于包括:
选取一个或多种价格预测相关数据作为价格预测指标;
利用所述价格预测指标根据业务规则进行数据筛选和整合,以构建机器学习模型的训练样本,建立基于业务场景修正后的算法模型;
对产品参数用所述算法模型来分解趋势特征、季节特征和随机特征分项,融合其中的趋势特征分项、一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序的趋势项,加上原时序的季节项和误差项作为预测值,以建立价格预测模型;
利用价格预测模型建立模块所建立的价格预测模型对历史价格走势进行预测,和/或对未来价格走势进行预测。
7. 如权利要求6所述的钢铁产品价格预测方法,其特征在于,选取一个或多种价格预测相关数据作为价格预测指标之前还包括:
获取历史现货价格走势数据,和/或根据所述历史现货价格走势数据确定趋势性因素预测数值、季节性因素预测数值和随机性因素预测数值,所述趋势性因素预测数值用于表示价格数据的变化趋势的预测值,所述季节性因素预测数值用于表示价格数据的季节性因素的预测值,所述随机性因素预测数值用于表示价格数据受特殊事件冲击式影响产生价格波动幅度的预测值;和/或
根据所述历史现货价格走势来分析现货产品参数之间的价格的相关性,和/或对所述典型产品参数进行价格回归分析和/或合并,其中所述产品参数包括产品的基地、牌号、厚度、宽度和/或重量中的一个或多个;
对历史价格走势进行预测,和/或对未来价格走势进行预测之后还包括:
分析价格预测模型的不同特征分项的合理性,和/或进行业务验证并优化。
8.如权利要求6或7所述的钢铁产品价格预测方法,其特征在于,所述多源数据包括期货、现货交易数据、钢联数据、基价数据、社会库存数据、克强指数、高炉产能利用率、采购经理指数、和/或热轧期货主力合约价或其他因素中的一个或多个。
9. 如权利要求7所述的钢铁产品价格预测方法,其特征在于,所述价格预测方法采用时序序列算法进行建模和训练,包括:
对经时序序列算法包进行时序分解的聚类后的产品成交数据,把实际成交天数小于预定时间段的时序记为短时序,随机抽取部分成交数据填充至该时序,以构建的新时序替换所述聚类成交数据的原时序,以形成时序模型;和/或
获取克强指数数据,通过在模型训练时间,调用时序序列算法包训练所述时序模型并预测预定预测长度的克强指数,以获得克强指数趋势;和/或
对填充后的时序调用时序序列算法包训练所述时序模型,用移动平均平滑季节项,其中根据所述克强指数趋势和年度周期性进行预测,再融合一个或多个多源数据的趋势性和本身趋势,作为新趋势替换原时序模型的趋势项,加上原时序的季节项和误差项作为预测值。
10. 如权利要求9所述的钢铁产品价格预测方法,其特征在于还包括:
根据业务场景和需求,对原始的产品成交数据进行数据筛选与聚类,分析数据的离散度,确定数据聚类结构,包括基地、牌号、厚度、宽度和/或重量中的一个或多个;和/或
结合业务需求与数据验证,对部分数据聚类结构进行聚类,包括结合业务规则合并产品的相似牌号,用常用牌号代替,分析产品各厚度对应的价格分布,选取价差较小对应的产品各厚度范围,合并产品厚度范围内厚度,和/或产品宽度和重量按厚度归并的方法分别归并;和/或
对聚类后的成交数据,分结构计算历史的每日成交价格,若当日无成交则按照前一日价格填充,以构建各结构的时序;和/或
预测值调整优化模块,用于把预测值上调今日较昨日的差值,再对预测值做中心移动平均的平滑处理,以输出最终预测值。
11.一种非瞬时性机器可读存储介质,包括一个或多个指令,其特征在于所述一个或多个指令响应于被执行而使得一个或多个处理器执行如以上权利要求6到10中任一项所述钢铁产品价格预测方法的一个或多个步骤。
12.一种用于价格预测的计算设备,其特征在于包括:
一个或多个处理器;
与所述一个或多个处理器耦合的一个或多个存储器,所述存储器用于存储一个或多个指令,其中所述一个或多个响应于被执行而使得所述一个或多个处理器执行如以上权利要求6到10中任一项所述钢铁产品价格预测方法的一个或多个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114311.2A CN111932044A (zh) | 2020-10-19 | 2020-10-19 | 一种基于机器学习的钢铁产品价格预测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114311.2A CN111932044A (zh) | 2020-10-19 | 2020-10-19 | 一种基于机器学习的钢铁产品价格预测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111932044A true CN111932044A (zh) | 2020-11-13 |
Family
ID=73335236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011114311.2A Pending CN111932044A (zh) | 2020-10-19 | 2020-10-19 | 一种基于机器学习的钢铁产品价格预测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932044A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819608A (zh) * | 2021-02-05 | 2021-05-18 | 建信金融科技有限责任公司 | 一种基于多元回归与时间序列的区域信贷预测方法及系统 |
CN115841380A (zh) * | 2023-02-20 | 2023-03-24 | 广州一链通互联网科技有限公司 | 一种基于物流集装箱供应链的金融风险控制方法 |
CN116757337A (zh) * | 2023-08-18 | 2023-09-15 | 克拉玛依市鼎泰建设(集团)有限公司 | 一种基于人工智能的房建施工进度预测系统 |
-
2020
- 2020-10-19 CN CN202011114311.2A patent/CN111932044A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819608A (zh) * | 2021-02-05 | 2021-05-18 | 建信金融科技有限责任公司 | 一种基于多元回归与时间序列的区域信贷预测方法及系统 |
CN115841380A (zh) * | 2023-02-20 | 2023-03-24 | 广州一链通互联网科技有限公司 | 一种基于物流集装箱供应链的金融风险控制方法 |
CN116757337A (zh) * | 2023-08-18 | 2023-09-15 | 克拉玛依市鼎泰建设(集团)有限公司 | 一种基于人工智能的房建施工进度预测系统 |
CN116757337B (zh) * | 2023-08-18 | 2023-11-21 | 克拉玛依市鼎泰建设(集团)有限公司 | 一种基于人工智能的房建施工进度预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rajesh | Forecasting supply chain resilience performance using grey prediction | |
CN111932044A (zh) | 一种基于机器学习的钢铁产品价格预测系统和方法 | |
CN106156809A (zh) | 用于更新分类模型的方法及装置 | |
Bas | Technology adoption, export status, and skill upgrading: Theory and evidence | |
CN113537807B (zh) | 一种企业智慧风控方法及设备 | |
CN111539585A (zh) | 一种基于随机森林的电力客户诉求敏感度监督及预警方法 | |
Sakib | Restaurant sales prediction using machine learning | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
JP6251383B2 (ja) | 債務不履行となる企業の蓋然性の計算 | |
KR20230122525A (ko) | 외부 데이터를 고려한 신용 평가 방법 및 이러한 방법을 수행하는 장치 | |
CN109523299A (zh) | 一种自动成本核算方法及系统 | |
CN114529400A (zh) | 一种消费贷款预授信评估方法、设备及介质 | |
D'Agostino et al. | A global trade model for the Euro Area | |
CN117422306A (zh) | 基于动态神经网络的跨境电商风险控制方法及系统 | |
CN113283582A (zh) | 纺织行业金融损失预测方法、装置、存储介质及处理器 | |
Gerasimov et al. | Trends and regularities of the development of regional markets of agricultural products in the Russian Federation | |
CN117056323A (zh) | 一种基于数据访问行为的数据质量评估方法 | |
CN117196646A (zh) | 一种供应商资质审核方法、设备及介质 | |
Thomas et al. | Productivity heterogeneity and export market participation: A study of Indian manufacturing firms | |
CN111160929B (zh) | 一种客户类型的确定方法及装置 | |
CN114741592A (zh) | 一种基于多模型融合的产品推荐方法、设备及介质 | |
CN114493732B (zh) | 生鲜电商可复用容器租赁数量预测模型建立方法及其应用 | |
CN113298575A (zh) | 一种商标价值批量评估的方法、系统、设备及存储介质 | |
Nazma et al. | Comparative analysis of AHP and Fuzzy-AHP in supplier selection: A case study on a cement industry | |
CN112150276A (zh) | 一种机器学习模型的训练方法、使用方法、装置和设备 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room B505 and b506, floor 5, Lane 600, Mohe Road, Baoshan District, Shanghai 201999 Applicant after: Shanghai Ouye supply chain Co.,Ltd. Address before: 4 / F, 515 GuoShouJing Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 201203 Applicant before: BSTEEL ONLINE Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |