CN113506121A - 价格影响因素的分析方法及装置 - Google Patents
价格影响因素的分析方法及装置 Download PDFInfo
- Publication number
- CN113506121A CN113506121A CN202110356507.0A CN202110356507A CN113506121A CN 113506121 A CN113506121 A CN 113506121A CN 202110356507 A CN202110356507 A CN 202110356507A CN 113506121 A CN113506121 A CN 113506121A
- Authority
- CN
- China
- Prior art keywords
- price
- coal
- model
- time sequence
- stable
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种价格影响因素的分析方法及装置,涉及煤炭技术领域,主要目的在于在建立煤炭价格综合预测模型的基础上,对不同周期煤炭价格进行预测,计算过程简便结果明确,实现了对煤炭价格进行准确科学的预测。主要技术方案包括:建立基于因子分析的煤炭价格影响分析模型;根据的分析结果,通过多元线性回归分析模型进行拟合,得到多元线性回归模型;基于多元线性回归模型及最小二乘法进行动力煤炭价格回归分析,得到初步预测价格;建立基于ARIMA模型的煤炭价格综合预测模型,将所述初步预测价格输入所述煤炭价格综合预测模型,通过离散化处理得到预设时间段内每一天的煤炭价格。
Description
技术领域
本发明涉及煤炭技术领域,具体涉及一种价格影响因素的分析方法、一种价格影响因素的分析装置、一种计算机设备和一种非临时性计算机可读存储介质。
背景技术
我国是能源消耗大国,在能源消费比重中,煤炭能源消耗占比大约70%。由于煤炭的库存量十分庞大,在未来的一段时期内,煤炭能源依旧是主要能源。煤炭在经济领域里最主要用途是工厂发电、建材用煤、化工用煤、生活耗用。影响煤炭的价格有很多因素,不同的因素所占的权重不一样,可对其相关重要程度进行排名。在已知相关因素权重和历史数据情况下,预测未来煤炭价格的走势,把握煤炭价格的走势,是国家发展经济重点关心的问题之一。
煤炭属于不可再生资源,从长期角度来看,煤炭价格会呈现上升趋势;从短期来看,煤炭价格会上下波动。短期内价格上下波动的因素有很多,不仅有国家相关部门的监督,而且有国内煤炭市场的影响。生产成本、出行方式、国外煤炭市场等其他因素也会影响煤炭的价格。只有综合考虑到影响煤炭价格的因素,才能向政府部门提供合理建议,并且保障我国未来煤炭市场的平稳发展以及国内经济的稳定发展。
国内经济继续保持平稳增长态势,当前国内大宗商品市场稳中向好发展的基础较为稳固,钢材价格有所增长煤炭价格持续回升,不过库存持续增加,商品供大于求的压力依然存在,因此,对煤炭价格进行准确科学的预测是目前的重中之重。
发明内容
本发明为解决上述技术问题,提供了一种价格影响因素的分析方法及装置,在建立煤炭价格综合预测模型的基础上,对不同周期煤炭价格进行预测,计算过程简便结果明确,实现了对煤炭价格进行准确科学的预测。
本发明采用的技术方案如下:
本发明第一方面实施例提出了一种价格影响因素的分析方法,包括:
建立基于因子分析的煤炭价格影响分析模型;
根据的分析结果,通过多元线性回归分析模型进行拟合,得到多元线性回归模型;
基于多元线性回归模型及最小二乘法进行动力煤炭价格回归分析,得到初步预测价格;
建立基于ARIMA模型的煤炭价格综合预测模型,将所述初步预测价格输入所述煤炭价格综合预测模型,通过离散化处理得到预设时间段内每一天的煤炭价格。
根据本发明的一个实施例,建立基于ARIMA模型的煤炭价格综合预测模型包括:
对时间序列进行单根检验,判断其是否平稳;
若不平稳,则利用差分方法作一阶差分,并根据样本值计算样本自相关函数和样本偏相关函数;
直至时间序列平稳后,确定阶数的取值;
确定自相关函数和偏相关函数是否截尾;
检验所述综合预测模型参数估计是否具有显著性以及残差序列的残差是否具有相关性;
利用综合预测模型模型初步预测煤炭价格,并确定预测煤炭价格的波动;
若所述自相关函数和偏相关函数已截尾、参数估计具有显著性、残差序列的残差具有相关性以及预测煤炭价格的波动在预设误差范围内,则完成所述综合预测模型的构建。
根据本发明的一个实施例,在对时间序列进行单根检验,判断其是否平稳之前,所述方法还包括:
确定时间序列是否为平稳序列;
若不是,则基于d阶差分算子将不平稳时间序列转化为平稳时间序列。
本发明的第二方面实施例提出了一种价格影响因素的分析装置,包括:
第一建立单元,用于建立基于因子分析的煤炭价格影响分析模型;
拟合单元,用于根据的分析结果,通过多元线性回归分析模型进行拟合,得到多元线性回归模型;
回归单元,用于基于多元线性回归模型及最小二乘法进行动力煤炭价格回归分析,得到初步预测价格;
第二建立单元,用于建立基于ARIMA模型的煤炭价格综合预测模型;
处理单元,用于将所述初步预测价格输入所述煤炭价格综合预测模型,通过离散化处理得到预设时间段内每一天的煤炭价格。
根据本发明的一个实施例,第二建立单元包括:
第一检验模块,用于对时间序列进行单根检验,判断其是否平稳;
计算模块,用于当所述检验模块确定不平稳时,利用差分装置作一阶差分,并根据样本值计算样本自相关函数和样本偏相关函数;
第一确定模块,用于确定自相关函数和偏相关函数是否截尾;
第二检验模块,用于检验所述综合预测模型参数估计是否具有显著性以及残差序列的残差是否具有相关性;
处理模块,用于利用综合预测模型模型初步预测煤炭价格,并确定预测煤炭价格的波动;
构建模块,用于当确定所述自相关函数和偏相关函数已截尾、参数估计具有显著性、残差序列的残差具有相关性以及预测煤炭价格的波动在预设误差范围内时,完成所述综合预测模型的构建。
根据本发明的一个实施例,所述第二建立单元还包括:
第二确定模块,用于在所述第一检验模块对时间序列进行单根检验,判断其是否平稳之前,确定时间序列是否为平稳序列;
转换模块,用于当所述第三确定模块确定不是平稳序列后,基于d阶差分算子将不平稳时间序列转化为平稳时间序列。
本发明的第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现本发明第一方面实施例所述的价格影响因素的分析方法。
本发明的第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面实施例所述的价格影响因素的分析方法。
本发明的有益效果:
通过与煤炭价格紧密相关的指标筛选,利用因子分析、多元线性回归、最小二乘法、ARIMA等方法给出影响煤炭价格的主要因素,确定各个主要因素指标对煤炭价格的贡献,建立煤炭价格综合预测模型,对不同周期煤炭价格进行预测。本发明实施例的计算过程简便结果明确,便于对煤炭价格进行准确科学的预测。
附图说明
图1示出了本发明实施例提供的一种价格影响因素的分析方法的流程图;
图2示出了本发明实施例提供的一种拟合结果的示意图;
图3示出了本发明实施例提供的一种基于ARIMA模型的煤炭价格综合预测模型的求解过程的示意图;
图4示出了本发明实施例提供的一种建立基于ARIMA模型的煤炭价格综合预测模型的方法流程图;
图5示出了本发明实施例提供的一种价格影响因素的分析装置的组成框图;
图6示出了本发明实施例提供的另一种价格影响因素的分析装置的组成框图。
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。
本发明实施例提供了一种价格影响因素的分析方法,如图1所示,包括:
101、建立基于因子分析的煤炭价格影响分析模型;
在详细介绍本发明实施例的具体实现过程之前,先对模型所使用的符号进行详细说明,以及建模基本假设进行下述说明。
模型假设建立:适当的假设有利于模型准确有效的进行煤炭价格影响因素分析及价格预测。
1)假设每月出现的煤炭价格的平均值代表动力煤价格。
2)假设附件给出的过去一段时间的数据真实可靠。
3)假设研究过程中不会发生价格突然急剧变化。
4)假设研究过程中的煤炭价格不会收到外来因素的影响。
5)假设研究过程中所有的影响因素数据都为准确值。
建模符号说明:为了建模的需要,对相关符号进行说明,如表1所示。
表1建模符号说明
基于特征选择,煤炭的价格受到国家相关部门的监管、国内市场的影响、供求状况、生产成本、煤价自身滞后效应的影响,选取9个指标(分别是上月煤价、煤炭进口、煤炭出口、煤炭产量、房价指数、国际原油价格、上证指数、财政收入、财政支出)作为候选特征向量。以2019年5月到2020年3 月中间11个月作为样本数据,数据源至国家统计局网络公开信息。
因子分析模型的建立:假设p个变量Xi(i=1,2,…,p)可表示为:
Xi=μi+αi1F1+...+αimFm+εi,i=1,2,...,p (1)
也可以写为矩阵形式:
也可以写成:
X-μ=ΛF+ε
其中:
式(2)将F1,F2,...Fm称为公共因子,表示不可以观测的变量,它们对应的系数矩阵Λ称为因子载荷,这里的ε是特殊的因子,前面m个部分的公共因子不包含这个特殊因子。这些公共因子和特殊因子满足下列条件:
因子分析模型的求解:根据影响煤炭价格波动的九个指标数据,上月煤价(元/吨)、煤炭进口(吨)、煤炭出口(吨)、煤炭产量(吨)、房价指数、国际原油价格(美元/桶)、上证指数、财政收入(元)、当地财政支出 (元)。利用因子分析模型,求出各个指标的贡献率和因子载荷矩阵。模型在得到第四个因子时,对应的累积贡献率达到0.899871,结果如表1所示,因此仅选择四列数据进行分析。四列数据分别对应主因子分别为F1,F2,F3,F4(如表2),每列数据对应指标的因子载荷有所不同。
表1计算累积贡献率
表2指标与公共因子的相关程度
已知绝对值越大,相关密切程度越高。
F1=0.679x1+0.459x2-0.916x3-0.634x4
+0.312x5-0.02x6-0.17x7+0.55x8+0.07x9 (4)
F2=0.313x1-0.144x2-0.007x3-0.429x4
+0.897x5-0.914x6+0.003x7-0.03x8+0.088x9 (5)
F3=-0.178x1+0.133x2-0.026x3-0.396x4
-0.172x5+0.115x6+0.974x7+0.813x8+0.002x9 (6)
F4=0.592x1+0.815x2-0.156x3+0.117x4
+0.042x5-0.150x6-0.018x7+0.107x8-0.97x9 (7)
第一个公因子F1主要在煤炭出口、煤炭产量上的载荷比较大,可定义为煤炭数量因子;第二个公因子F2主要在房价指数、国际原油价格上的载荷比较大,可定义为外部环境因子;第三个公因子F3主要在上证指数、当地财政收入上的载荷比较大,可定义为经济运营环境因子;第四个公因子F4主要在财政支出、煤炭出口上的载荷比较大,定义为当地财政因子。
通过上述四个公因子贡献率的大小,可知影响煤炭价格的指标由大到小排序为:煤炭数量因子>外部环境因子>经济运营环境因子>本地财政支出因子。
102、根据的分析结果,通过多元线性回归分析模型进行拟合,得到多元线性回归模型;
结合影响煤炭价格的影响因素进行分析,通过多元线性回归分析模型进行拟合,动力煤价的表现形式可以表示为:
y=f(x1,x2,x3,x4,x5,x6,x7,x8,x9,μt) (8)
其中,y为动力煤价格,x1为上月煤价,x2为煤炭进口,x3为煤炭出口, x4为煤炭产量,x5为房价指数,x6为国际原油价格,x7为上证指数,x8为财政收入,x9为财政支出,μt为随机扰动项,t表示时期。所建立模型也可以表示为:
y=C+β1x1+β2x2+β3x3+β4x4+β5x5+β6x6+β7x7+β8x8+β9x9+μt (9)
103、基于多元线性回归模型及最小二乘法进行动力煤炭价格回归分析,得到初步预测价格;
基于多元线性回归模型及最小二乘法进行动力煤价价格回归分析,得到如表3结果。
表3回归分析结果
根据回归结果可知:
Y=1814.3+0.905x1+0.016x2+0.623x3+0.003x4
-15.58x5+2.67x6-0.188x7+0.0002x8+0.000045x9+μt (10)
R2=0.996057 F=28.069 D.W.=1.955
R2=0.996057
由上述数据可知,表明方程拟和度很高,F统计量也明显显著表明该模型总体显著。经济意义上的检验:由系数结果可知,模型符合经济意义。显著性检验:根据查询t分布表可知部分影响因素的t统计量均通过检验所以推断模型中解释变量不存在多重共线性。
选取过去一段时间的数据进行拟合,拟合结果如图2所示。由图2可知拟合效果相对较为粗糙,仍需进一步通过预测模型对于动力煤价格进行深度预测。
104、建立基于ARIMA模型的煤炭价格综合预测模型,将所述初步预测价格输入所述煤炭价格综合预测模型,通过离散化处理得到预设时间段内每一天的煤炭价格。
该过程是一个迭代过程,在基于ARIMA模型的煤炭价格综合预测模型建立成功后,可直接基于已确定的参数继续进行煤炭价格的预测。
基于ARIMA模型的煤炭价格综合预测模型的求解过程如图3所示,根据网络所获得360个数据样本,检验可知该序列经一阶差分后为平稳化序列。利用序列的自相关函数和偏相关函数图结合赤池准则进行判断,确定ARIMA 模型的参数。
表5一阶差分序列的平稳性检验
表6 ARIMA(2,1,2)参数估计
确定ARIMA模型的参数值为ARIMA(2,1,2),根据所建立ARIMA模型结合EViews软件进行计算,并对于周次和月份分别进行预测,预测结果通过离散化处理得到每一天的价格。
综上,建立基于因子分析的煤炭价格影响因素分析模型。在参考大量研究文献基础上建立煤炭价格影响因素评价指标体系,所选择的9个评价指标是与煤炭价格紧密相关的。通过构建因子分析模型进行分析并计算得到因子表达式,根据贡献权重选出四个公共因子并重新命名:煤炭数量因子、外部环境因子、经济运营环境因子、本地财政支出因子。最后根据贡献率的大小给出了影响煤炭价格的影响因素的排名。影响因素排名源于数据本身而不依赖于人工经验,是科学和准确并有效的。
本发明实施例中将动力煤炭价格定义为解释变量对已有数据进行多元线性拟合,对煤炭价格变化趋势进行了定性分析。建立ARIMA煤炭价格预测模型,并通过差分方法平稳化ARIMA模型中的非平稳序列,用以预测预设时间段内(可以包括但不局限于未来31天、35周、36个月)动力煤炭的价格。以得到更加准确的煤炭预测价格。
作为对上述实施例的扩展,本发明实施例还提供一种建立基于ARIMA模型的煤炭价格综合预测模型的方法,如图4所示,所述方法包括:
201、对时间序列进行单根检验,判断其是否平稳;
在建立模型时,首先需要对时间序列进行单根检验,或者是通过样本计算两个函数,分别是样本自相关函数和样本偏相关函数判断其是否平稳。判断依据:如果此时已服从ARMA模型,那么此刻是截尾的,或者拖尾的。当这两个函数至少有一个不是截尾的,或者拖尾的,那么说明样本时间序列不平稳,反之就代表时间序列平稳。
202、若不平稳,则利用差分方法作一阶差分,并根据样本值计算样本自相关函数和样本偏相关函数;直至时间序列平稳后,确定阶数的取值;
当样本不平稳时,利用差分方法,先作一阶差分▽Xt,t=2,3,…,n,并且根据样本值计算样本自相关函数和样本偏相关函数;若依旧不平稳,那么便作二阶差分,进而计算是否平稳,此过程可以确定d阶取值。
203、确定自相关函数和偏相关函数是否截尾;
在计算过程中,若样本自相关函数和样本偏相关函数的图像下滑且很慢,可作为不稳定来处理,需要进行差分运算。判断自相关函数和偏相关函数的阶数,如下表4:
表4判断标准
若初值X1,X2,…Xd已给出,则
Wt=▽dXt,t=d+1,…n, (11)
即可复原Xt。当p=0时,称该模型为IMA(d,q)序列;当q=0时,称之为ARI(p,d)序列。
204、检验所述综合预测模型参数估计是否具有显著性以及残差序列的残差是否具有相关性;
该步骤主要负责检验模型的拟合效果。模型检验主要关注两个指标,分别是参数估计和残差序列。参数估计是否具有显著性,残差序列主要看残差是否具有相关性。
205、利用综合预测模型模型初步预测煤炭价格,并确定预测煤炭价格的波动;
本步骤介绍ARIMA模型的预报,仅讨论d=1与d=2的情形,这是用途最广泛的一种。
设{Xt,t=0,±1,±2,…}是ARIMA(p,d,q)序列。
(1)当d=1时,▽Xt=Wt,有
即
由此得
206、若所述自相关函数和偏相关函数已截尾、参数估计具有显著性、残差序列的残差具有相关性以及预测煤炭价格的波动在预设误差范围内,则完成所述综合预测模型的构建。
进一步的,作为对上述实施例的扩展,在对时间序列进行单根检验,判断其是否平稳之前,所述方法还包括:
确定时间序列是否为平稳序列;若不是,则基于d阶差分算子将不平稳时间序列转化为平稳时间序列。
ARIMA模型的特色就是用差分方法使非平稳性变为平稳性。在实际生活中,遇到的时间序列往往会有三个特性,分别是趋势性、季节性和非平稳性。在用时间序列变化后,即可消除趋势性、季节性。本模型的特色就是用差分方法使非平稳性变为平稳性,即ARIMA模型。在ARIMA模型中,由于是非平稳序列,此时用差分方法,将其转化为平稳序列。ARMA模型是属于平稳序列,而ARIMA模型是ARMA的扩展,属于非平稳序列,那么两者之间关系用变量表示就如下所示。
假设序列{Xt,t=0,±1,±2,…}是非平稳序列。若存在d阶差分,满足
▽dXt=Wt (15)
同时{Wt,t=0,±1,±2,…}是ARMA(p,q)的序列,Xt乘上▽d便由原来的非稳定序列变为稳定序列。在给定初值X1,X2,…,Xd的情况下,观测样本X1,X2,…,Xn值,每经过一次一阶差分,数据就会减少一个。
已知差分运算可以使一类非平稳序列平稳化,若是一阶差分运算不可以使时间序列平稳化,那么此刻还可以进行二阶差分,三阶差分,直到d阶差分。
d阶差分:
▽dXt=(1-B)dXt (16)
式(16)中:▽d称为d阶差分算子,可表示为:
与上述的价格影响因素的分析方法相对应,本发明还提出一种价格影响因素的分析装置。由于本发明的装置实施例与上述的方法实施例相对应,对于装置实施例中未披露的细节可参照上述的方法实施例,本发明中不再进行赘述。
本发明实施例还提供一种价格影响因素的分析装置,如图5所示,包括:
第一建立单元31,用于建立基于因子分析的煤炭价格影响分析模型;
拟合单元32,用于根据的分析结果,通过多元线性回归分析模型进行拟合,得到多元线性回归模型;
回归单元33,用于基于多元线性回归模型及最小二乘法进行动力煤炭价格回归分析,得到初步预测价格;
第二建立单元34,用于建立基于ARIMA模型的煤炭价格综合预测模型;
处理单元35,用于将所述初步预测价格输入所述煤炭价格综合预测模型,通过离散化处理得到预设时间段内每一天的煤炭价格。
进一步的,如图6所示,第二建立单34元包括:
第一检验模块341,用于对时间序列进行单根检验,判断其是否平稳;
计算模块342,用于当所述检验模块确定不平稳时,利用差分装置作一阶差分,并根据样本值计算样本自相关函数和样本偏相关函数;直至时间序列平稳后,确定阶数的取值;
第一确定模块343,用于确定自相关函数和偏相关函数是否截尾;
第二检验模块344,用于检验所述综合预测模型参数估计是否具有显著性以及残差序列的残差是否具有相关性;
处理模块345用于利用综合预测模型模型初步预测煤炭价格,并确定预测煤炭价格的波动;
构建模块346,用于当确定所述自相关函数和偏相关函数已截尾、参数估计具有显著性、残差序列的残差具有相关性以及预测煤炭价格的波动在预设误差范围内时,完成所述综合预测模型的构建。
进一步的,如图6所示,所述第二建立单元34还包括:
第二确定模块347,用于在所述第一检验模块对时间序列进行单根检验,判断其是否平稳之前,确定时间序列是否为平稳序列;
转换模块348,用于当所述第二确定模块确定不是平稳序列后,基于d阶差分算子将不平稳时间序列转化为平稳时间序列。
此外,本发明还提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现上述的辅助谐振换流极变换器的控制方法。
根据本发明实施例的计算机设备,存储在存储器上的计算机程序被处理器运行时,建立基于因子分析的煤炭价格影响分析模型;根据的分析结果,通过多元线性回归分析模型进行拟合,得到多元线性回归模型;基于多元线性回归模型及最小二乘法进行动力煤炭价格回归分析,得到初步预测价格;建立基于ARIMA模型的煤炭价格综合预测模型,将所述初步预测价格输入所述煤炭价格综合预测模型,通过离散化处理得到预设时间段内每一天的煤炭价格。建立基于因子分析的煤炭价格影响因素分析模型。在参考大量研究文献基础上建立煤炭价格影响因素评价指标体系,所选择的9个评价指标是与煤炭价格紧密相关的。通过构建因子分析模型进行分析并计算得到因子表达式,根据贡献权重选出四个公共因子并重新命名:煤炭数量因子、外部环境因子、经济运营环境因子、本地财政支出因子。最后根据贡献率的大小给出了影响煤炭价格的影响因素的排名。影响因素排名源于数据本身而不依赖于人工经验,是科学和准确并有效的。
本发明实施例中将动力煤炭价格定义为解释变量对已有数据进行多元线性拟合,对煤炭价格变化趋势进行了定性分析。建立ARIMA煤炭价格预测模型,并通过差分方法平稳化ARIMA模型中的非平稳序列,用以预测预设时间段内(可以包括但不局限于未来31天、35周、36个月)动力煤炭的价格。以得到更加准确的煤炭预测价格。
此外,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的辅助谐振换流极变换器的控制方法。
根据本发明实施例的非临时性计算机可读存储介质,存储在其上的计算机程序被处理器执行时,建立基于因子分析的煤炭价格影响分析模型;根据的分析结果,通过多元线性回归分析模型进行拟合,得到多元线性回归模型;基于多元线性回归模型及最小二乘法进行动力煤炭价格回归分析,得到初步预测价格;建立基于ARIMA模型的煤炭价格综合预测模型,将所述初步预测价格输入所述煤炭价格综合预测模型,通过离散化处理得到预设时间段内每一天的煤炭价格。建立基于因子分析的煤炭价格影响因素分析模型。在参考大量研究文献基础上建立煤炭价格影响因素评价指标体系,所选择的9个评价指标是与煤炭价格紧密相关的。通过构建因子分析模型进行分析并计算得到因子表达式,根据贡献权重选出四个公共因子并重新命名:煤炭数量因子、外部环境因子、经济运营环境因子、本地财政支出因子。最后根据贡献率的大小给出了影响煤炭价格的影响因素的排名。影响因素排名源于数据本身而不依赖于人工经验,是科学和准确并有效的。
本发明实施例中将动力煤炭价格定义为解释变量对已有数据进行多元线性拟合,对煤炭价格变化趋势进行了定性分析。建立ARIMA煤炭价格预测模型,并通过差分方法平稳化ARIMA模型中的非平稳序列,用以预测预设时间段内(可以包括但不局限于未来31天、35周、36个月)动力煤炭的价格。以得到更加准确的煤炭预测价格。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种价格影响因素的分析方法,其特征在于,包括:
建立基于因子分析的煤炭价格影响分析模型;
根据的分析结果,通过多元线性回归分析模型进行拟合,得到多元线性回归模型;
基于多元线性回归模型及最小二乘法进行动力煤炭价格回归分析,得到初步预测价格;
建立基于ARIMA模型的煤炭价格综合预测模型,将所述初步预测价格输入所述煤炭价格综合预测模型,通过离散化处理得到预设时间段内每一天的煤炭价格。
2.根据权利要求1所述的价格影响因素的分析方法,其特征在于,建立基于ARIMA模型的煤炭价格综合预测模型包括:
对时间序列进行单根检验,判断其是否平稳;
若不平稳,则利用差分方法作一阶差分,并根据样本值计算样本自相关函数和样本偏相关函数,直至时间序列平稳后,确定阶数的取值;
确定自相关函数和偏相关函数是否截尾;
检验所述综合预测模型参数估计是否具有显著性以及残差序列的残差是否具有相关性;
利用综合预测模型模型初步预测煤炭价格,并确定预测煤炭价格的波动;
若所述自相关函数和偏相关函数已截尾、参数估计具有显著性、残差序列的残差具有相关性以及预测煤炭价格的波动在预设误差范围内,则完成所述综合预测模型的构建。
3.根据权利要求2所述的价格影响因素的分析方法,其特征在于,在对时间序列进行单根检验,判断其是否平稳之前,所述方法还包括:
确定时间序列是否为平稳序列;
若不是,则基于d阶差分算子将不平稳时间序列转化为平稳时间序列。
4.一种价格影响因素的分析装置,其特征在于,包括:
第一建立单元,用于建立基于因子分析的煤炭价格影响分析模型;
拟合单元,用于根据的分析结果,通过多元线性回归分析模型进行拟合,得到多元线性回归模型;
回归单元,用于基于多元线性回归模型及最小二乘法进行动力煤炭价格回归分析,得到初步预测价格;
第二建立单元,用于建立基于ARIMA模型的煤炭价格综合预测模型;
处理单元,用于将所述初步预测价格输入所述煤炭价格综合预测模型,通过离散化处理得到预设时间段内每一天的煤炭价格。
5.根据权利要求4所述的价格影响因素的分析装置,其特征在于,第二建立单元包括:
第一检验模块,用于对时间序列进行单根检验,判断其是否平稳;
计算模块,用于当所述检验模块确定不平稳时,利用差分装置作一阶差分,并根据样本值计算样本自相关函数和样本偏相关函数,直至时间序列平稳后,确定阶数的取值;
第一确定模块,用于确定自相关函数和偏相关函数是否截尾;
第二检验模块,用于检验所述综合预测模型参数估计是否具有显著性以及残差序列的残差是否具有相关性;
处理模块,用于利用综合预测模型模型初步预测煤炭价格,并确定预测煤炭价格的波动;
构建模块,用于当确定所述自相关函数和偏相关函数已截尾、参数估计具有显著性、残差序列的残差具有相关性以及预测煤炭价格的波动在预设误差范围内时,完成所述综合预测模型的构建。
6.根据权利要求5所述的价格影响因素的分析装置,其特征在于,所述第二建立单元还包括:
第二确定模块,用于在所述第一检验模块对时间序列进行单根检验,判断其是否平稳之前,确定时间序列是否为平稳序列;
转换模块,用于当所述第三确定模块确定不是平稳序列后,基于d阶差分算子将不平稳时间序列转化为平稳时间序列。
7.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现根据权利要求1至3中任一项所述的价格影响因素的分析方法。
8.非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现根据权利要求1至3中任一项所述的价格影响因素的分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356507.0A CN113506121A (zh) | 2021-04-01 | 2021-04-01 | 价格影响因素的分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356507.0A CN113506121A (zh) | 2021-04-01 | 2021-04-01 | 价格影响因素的分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113506121A true CN113506121A (zh) | 2021-10-15 |
Family
ID=78009206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110356507.0A Pending CN113506121A (zh) | 2021-04-01 | 2021-04-01 | 价格影响因素的分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506121A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962741A (zh) * | 2021-10-28 | 2022-01-21 | 浪潮卓数大数据产业发展有限公司 | 一种煤炭销量数据预测方法、设备及介质 |
CN115358771A (zh) * | 2022-07-29 | 2022-11-18 | 中远海运科技股份有限公司 | 一种基于多元回归的经营性租赁集装箱定价方法及系统 |
CN115426199A (zh) * | 2022-11-03 | 2022-12-02 | 南京金易众和信息科技有限公司 | 一种网站数据安全防护方法 |
CN117474531A (zh) * | 2023-12-27 | 2024-01-30 | 他山互联网科技(三明)有限公司 | 一种基于区块链的再生资源产业服务系统 |
-
2021
- 2021-04-01 CN CN202110356507.0A patent/CN113506121A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962741A (zh) * | 2021-10-28 | 2022-01-21 | 浪潮卓数大数据产业发展有限公司 | 一种煤炭销量数据预测方法、设备及介质 |
CN113962741B (zh) * | 2021-10-28 | 2024-05-14 | 浪潮卓数大数据产业发展有限公司 | 一种煤炭销量数据预测方法、设备及介质 |
CN115358771A (zh) * | 2022-07-29 | 2022-11-18 | 中远海运科技股份有限公司 | 一种基于多元回归的经营性租赁集装箱定价方法及系统 |
CN115426199A (zh) * | 2022-11-03 | 2022-12-02 | 南京金易众和信息科技有限公司 | 一种网站数据安全防护方法 |
CN115426199B (zh) * | 2022-11-03 | 2023-10-10 | 南京金易众和信息科技有限公司 | 一种网站数据安全防护方法 |
CN117474531A (zh) * | 2023-12-27 | 2024-01-30 | 他山互联网科技(三明)有限公司 | 一种基于区块链的再生资源产业服务系统 |
CN117474531B (zh) * | 2023-12-27 | 2024-03-19 | 他山互联网科技(三明)有限公司 | 一种基于区块链的再生资源产业服务系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113506121A (zh) | 价格影响因素的分析方法及装置 | |
Zeng et al. | Optimization of wastewater treatment alternative selection by hierarchy grey relational analysis | |
CN112446534B (zh) | 一种输变电工程的建设工期预测方法和装置 | |
CN108694470B (zh) | 一种基于人工智能的数据预测方法及装置 | |
CN111260198A (zh) | 一种台区同期线损合理度评判方法、系统及终端设备 | |
Porteiro et al. | Electricity demand forecasting in industrial and residential facilities using ensemble machine learning | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN112016755A (zh) | 输变电工程施工图通用设计造价标准化技术模块构建方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN115965110A (zh) | 面向产业园区的企业用能画像及碳排放精准测算方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN111680939A (zh) | 基于人工智能的企业复工复产程度监控方法 | |
CN114219096A (zh) | 一种机器学习算法模型的训练方法、装置及存储介质 | |
CN112801388A (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN116611785A (zh) | 一种基于大数据的输变电工程造价模型构建方法、系统、设备及介质 | |
CN112330030A (zh) | 业扩物资需求预测系统及方法 | |
CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
CN116894687A (zh) | 一种基于机器学习的用电量分析方法及系统、电子设备 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
CN104200283A (zh) | 一种基于因子-主属性模型的中长期电力负荷预测方法 |
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 |