[来源][pzpg001][发表时间] 2023/02/02阅读次数：1097次
摘 要：基于甲醇价格影响因素的分析，采用极端学习机算法，提出甲醇价格的短期与长期预测等问题，评估公司,评估机构,房地产评估机构通过构建短期和长期预测模型，分析甲醇价格和进口量、煤炭价格、出口量、进口均价、月产量、出口均价之间的关系，发现甲醇价格与甲醇进口量呈负相关，与出口量、进口均价、出口均价呈线性相关；与其他影响因素相比，软件评估,资产评估,价值评估,企业资产评估与煤炭价格、月产量相关性相对较低。 短期预测表明，甲醇价格实际值和预测值之间绝对误差在４４ 元左右，相比于甲醇平均价格２７５０ 元／ 吨，预测精度较好。 长期预测表明，甲醇价格实际值和预测值之间平均相对误差约为１． ６％ ，预测精度
较好。
关键词：甲醇；预测模型；极端学习机算法；精度；短期和长期
中图分类号：Ｆ４２６：Ｆ７６７：ＴＰ３０１．６ 文献标识码：Ａ
随着经济发展越来越快，我国在很短的周期 甲醇和很多商品价格走势预测是我们国内外
内实现了工业大国的发展进程，而甲醇一直是我 很多学者关心热点话题［８ －１０］ ，李康琪等采用ＭＡ
国工业发展进程中不可或缺的重要角色［１］ 。 随时 （３） － ＧＡＲＣＨ（１，１）模型专业地分析了 ＢＲＥＮＴ 原
间的变化，受月度产量、季节、国家宏观经济等因 油期货收盘价波动性的相关数据［１１］ ；董振宇等多
素影响，甲醇产品价格具有波动性、不稳定性［２］ 。 人搭建了国际原油价格预测的双层随机整数规划
对于传统预测方法来说，其预测过程的主要依据 模型［１２］ ；陈羽瑱采用Ｃｏｐｕｌａ 及小波分析法，研究
为专家经验与统计学相关信息，对价格波动的预 了原油期货价格的波动与人民币汇率变动［１３］ ；王
测准确性可能会存在误差［３］ 。 由于甲醇是我国工 新宇等提出ＣＰＡＡＶＳ － ＣＡＶｉａＲ 原油市场的风险预
业发展进程中不可或缺的一部分，而大宗商品又 测模型［１４］ 。 基于这些，本文基于甲醇价格影响因
与经济兴衰直接相关，因此很多研究人员对预测 素的专业分析，提出甲醇价格的短期与长期预测
甲醇产品价格投入极大精力［４］ 。 甲醇价格在原材 等问题，构建短期和长期预测的模型。
、 市场供求关系和其他系列相关产品影响 一、极端学习机算法
料价格
下，会出现比较明显的波动［５］ 。 在关乎国家战略 神经系统网络的迅猛发展，为深层前馈神经
意义的大宗商品当中，甲醇会对农业发展起到关 系统网络带来机遇，受众范围也越来越广［１５］ ，极端
键的推动作用，因此其重要性可见一斑［６］ 。 对甲 学习机（Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ，ＥＬＭ） 为这一类
醇价格进行精确预测面临巨大挑战性，大宗商品 单隐层前馈神经网络（Ｓｉｎｇｌｅ － ｈｉｄｄｅｎ Ｌａｙｅｒ Ｆｅｅｄ
的数据正在飞速累积，与此同时网络技术也正在 ｆｏｒｗａｒｄ Ｎｅｔｗｏｒｋ，ＳＬＦＮ）的学习方法，与单隐层前馈
迅速发展，如果有效利用网络技术筛选有用信息， 神经系统网络学习算法相比，其不同之处就是当
对预测过程非常重要［７］ 。 其处于训练状态时，输入权值的多选性可随机进
作者简介：裴钦，硕士，讲师，皖江工学院财经学院。 研究方向：企业风险管理、化工经济分析。
雷昭，博士，副教授，安徽工业大学化工学院。 研究方向：化工过程模拟、化工过程控制。
基金项目：安徽高校人文社会科学研究重点项目“基于熵协同原理的甲醇价格预测模型研究”（项目编号：ＳＫ２０１９Ａ１１２０）。
·１２７·
第１ 期 黑龙江工业学院学报 ２０２２ 年
行指令，即将输入层和隐层权值连接，权值输出后 的变量关系都属于噪声的一部分。 输入数据通过
将会对输出层与隐层权值进行连接，并基于分析 隐层神经元进行转换后，会转变为不同的表现形
方法确定。 式。 基于输入层偏差、权重实现隐层数据的投影。
１． 极端学习机算法原理 转换投影数据后，非线性转换函数可将ＥＬＭ 学习
极端学习机单隐层前馈神经网络神经元有三 能力极大提高，转换后，隐层数据寻找输出权重用
层，然而输入层不执行计算，但提供数据特征，隐 Ｈ 表示。 图１ 为极端学习机的输出示意图。
层为非线性神经元，输出层是线性的，无偏置或转
换函数。 在ＥＬＭ 方法中随机设置输入层权重ｗ 和
偏差ｂ。 固定输入权重后，输出权重 β 是相对独立
的，不需迭代处理算法学习。 线性输出层计算速
度非常快，且最终可得到线性解。 随机输入层权
重产生几乎正交隐含层特征，可提高线性输出层
解的泛化性质。 因系数较小，在输出时线性系统
不增加输入误差，则权重小使系统抗噪性更强、更
稳定。 给定一组Ｎ 个不同训练样本（ ｘｉ，ｔｉ），ｉ∈ 图１ 极端学习机的输出示意图
在神经元中，隐层变换函数不受函数类型限
［１，Ｎ］，且 ｘｉ ∈Ｒｎ，ｔｉ ∈Ｒｍ。 带有隐层神经元 Ｌ 个
的输出方程如式（１）所示。 制，可运用曲正切函数、ｓｉｇｍｏｉｄ 函数、阈值函数等。
Ｌ 一般情况下，神经数量与线性数据特征数量存在
∑ｊ＝１βｊϕ（ｗｊｘｉ ＋ ｂｊ），ｉ ∈ ［１，Ｎ］ （１） 相等的关系，且神经元的特征都会被其复制，即一
在公式（１）当中，βｉ 、ｂｉ 分别表示输出权重与偏 个ｗ 和零个ｂ。 对于ＥＬＭ 来说，径向基神经元比
差。 网络的输入与输入权重分别为ｘｉ 、ｗｉ ，激活函 较常见，其隐层输入为到原心距离，基于非线性投
数用 ϕ 表示，而ｔｉ 则表示期望输出，公式（２） 所示 影函数进行操作。 当ＥＬＭ 当中存在ＲＢＦ 神经元
为估计输出ｙｉ 关系。 时，发挥原心、样本间的任何距离函数的作用，预
Ｌ 测主要基于相似训练数据样本进行，从而推动解
ｙｉ ＝ ∑ｊ＝１ βｊϕ（ｗｊｘｉ ＋ ｂｊ） ＝ ｔｉ ＋ εｉ，ｉ ∈ ［１，Ｎ］
决目标、数据特征间复杂依赖关系。 当基于矩阵
（２） 表示ＥＬＭ，此时会输出并聚集隐层神经元，表示形
其中，ε 表示噪声。 随机噪声与输入中未显示 式如式（３）、式（４）所示。
é ϕ ｗ ｘ ＋ ｂ １ ） ϕ ｗ ｘ １ ＋ ｂ ２ ） … ϕ ｗ ｘ ＋ ｂＬ ） ù
ê （ １ １ （ ２ （ １ １ ú
ê ϕ（ｗ２ ｘ２ ＋ ｂ１ ） ϕ（ｗ２ ｘ２ ＋ ｂ２ ） … ϕ（ｗ２ ｘ２ ＋ ｂＬ） ú （３）
Ｈ ＝ ê ú
ê … … … … ú
ê ϕ（ｗＬ ｘＮ ＋ ｂ１） ϕ（ｗＬ ｘＮ ＋ｂ２） … ϕ（ｗＬ ｘＮ ú
ë ＋ｂＬ）û
β ＝ （ Ｔ Ｔ Ｔ Ｔ ，Ｔ ＝ Ｔ Ｔ Ｔ Ｔ （４）
β１ ，β２ ，…，βＬ ） （ｔ１ ，ｔ２ ，…，ｔＮ ）
在随机初始化ＳＬＦＮ 输入偏差、权重条件下， ｉ ＝１，２，…，Ｌ；第二步是对隐层神经元的输出 Ｈ 进
激活函数无限可微，对隐层输出矩阵进行确定，并 行计算；第三步是利用隐层输出的广义逆，对隐层
提供一个估计值，该值是带有任意小噪声目标值 和输出间的连接突触权值 β 进行计算，β ＝ Ｈ＋
估计。 Ｔ，Ｔ ＝［ｔ１ ，ｔ２ ，…，ｔＮ ］Ｔ 。
２． 极端学习机算法步骤 二、甲醇价格的短期和长期预测
设｛（ｘｉ，ｔｉ）｜ ｘｉ ∈Ｒｎ，ｔｉ ∈Ｒｍ，ｉ ＝１，２，…，Ｎ｝ 为 １． 影响甲醇价格因素的相关性分析
算法参数学习样本集合，给定隐层神经元个数、激 要提高甲醇价格预测精度，需将影响甲醇价
活函数类型后，第一步是连接输入层、隐层间突触 格的主要因素找出来，影响甲醇价格因素众多，在
权值ｗｉ 及隐层神经元偏差，随机生成ｂｉ， 预测甲醇产品价格前，需对相关评价指标进行
·１２８·
第１ 期 极端学习机算法下甲醇价格的短期与长期预测研究 ２０２２ 年
确定。 ２． 甲醇产品价格预测评价指标的相关性分析
（１）影响甲醇价格的因素 影响甲醇价格的因素并不只有一个，而是多
甲醇市场供需是影响甲醇价格的诸多元素中 个因素同时对其产生协同作用，预测甲醇产品价
的一项，该因素包括甲醇的进出口量、产量等，如 格评价指标的相关性分析非常必要。 本文采用关
果在某个阶段国外甲醇产品的价格较低，而产量 联分析对相关因素进行确定，所选取的方法为比
和进口量又较高时，国内市场将出现供大于需的 较常见的回归关联分析法和皮尔逊（Ｐｅａｒｓｏｎ） 相关
情况，产品价格自然下降；而如果某个阶段国外甲 系数法。
醇产品价格较高，出口量较大时，此时国内将会出 （１）皮尔逊（Ｐｅａｒｓｏｎ）相关系数
现供小于需的情况，产品价格自然提高。 需求量 皮尔逊相关系数指的是两变量相近程度的统
也是对甲醇价格产生很大影响的关键因素，然而 计值，可对其特性和类别之间的相似值进一步核
统计参数过程复杂，且很难统计完全。 因此，本文 算，以此可对其提取出的特性和种类的程度进行
将需求量作为定量，选取甲醇价格产量、进口量、 一一判断核验。 可以此方法来判断两个变量之间
出口量作为自变量，衡量甲醇价格波动的情况。 的相关方位，将Ｘ 设为一定变量，Ｙ 为可变量，皮尔
（２）甲醇的历史价格及成本因素 逊相关系数为 ρＸ ，Ｙ 为因变量，皮尔逊相关系数为
历史价格、供需都会对甲醇未来价格产生影 ρＸ，Ｙ ，增大自变量后因变量随之增大时，ρＸ，Ｙ ＞０；反
响，也就是说过去的价格是决定甲醇未来价格的 之，ρＸ，Ｙ ＜０；ρＸ，Ｙ ＝０ 表示两者间无关系。 通常
重要因素。 因此，要参考甲醇历史价格才能更客 ρＸ，Ｙ ∈［１，１］，可得到更大绝对值的相关系数，此时
观地预测甲醇未来价格。 煤炭成本是甲醇价格成 有更高的相关（正、负）关系；如果得到较小绝对值
本的重要支出，这是由于其生产流程中煤炭作为 的相关系数，此时有更小的相关（ 正、负） 程度，１、
主要消耗品决定的，这就意味着煤炭价格因素会 －１ 分别表示完全正相关与完全负相关，式（５） 所
对甲醇价格产生直接影响。 Ｅ ( ( Ｘ － 示为Ｐｅａｒｓｏｎ 相关系数公式。
ρＸ Ｙ ＝ ｃｏｖ（Ｘ，Ｙ） ＝ ＝ Ｅ（ＸＹ） － Ｅ（Ｘ）Ｅ（Ｙ）
， Ｘ)－ (Ｙ － Ｙ)) （５）
σＸ σＹ σＸ σＹ Ｅ（Ｘ２ ） － Ｅ２（Ｘ） Ｅ（Ｙ２） － Ｅ２（Ｙ）
其中，相应特征数组分别用Ｘ、Ｙ 表示，对应特 独立样本检验系数，对样本一致性进行检验。 表１
， Ｘ 、 Ｙ 、 Ｐｅａｒｓｏｎ 。
、 σ σ Ｙ 标准 为 算法计算相关系数
征平均值用Ｘ Ｙ 表示 分别表示Ｘ
差。 在实际应用中，输出Ｐｅａｒｓｏｎ 相关系数 ρＸ，Ｙ 和
表１ Ｐｅａｒｓｏｎ 算法计算的相关系数表
煤炭价格 进口量 进口均价 出口量 出口均价 月产量 甲醇价格
煤炭价格 １．０００ ０．６２６ ０．１４０ －０．２４９ ０．４３８ ０．３５３ －０．１２２
进口量 ０．６２６ １．０００ －０．３３７ －０．３３２ ０．３２１ ０．３７０ －０．４３９
进口均价 ０．１４０ －０．３３７ １．０００ ０．５５２ ０．２４０ ０．４０１ ０．７３７
出口量 －０．２４９ －０．３３２ ０．５５２ １．０００ －０．０２０ ０．２９８ ０．３２２
出口均价 ０．４３８ ０．３２１ ０．２４０ －０．０２０ １．０００ ０．１５０ ０．２２４
月产量 ０．３５３ ０．３７０ ０．４０１ ０．２９８ ０．１５０ １．０００ －０．０５５
甲醇价格 ０．１２２ －０．４３９ ０．７３７ ０．３２２ ０．２２４ －０．０５５ １．０００
根据表１，分析甲醇价格影响因素之间的关联 回归关联分析方法是确定两组或两组以上变
性，由此得出甲醇价格与出口量、进口均价、出口 量间的关系，本文通过线性回归的方式处理变量，
均价呈线性相关，与甲醇进口量呈负相关，与其他 将甲醇价格作为研究过程的因变量，其价格影响
影响因素相比，与月产量、煤炭价格相关性相对 因素则分别作为自变量。 相关性分析结果如表２
较低。 所示。
（２）回归关联分析
·１２９·
第１ 期 黑龙江工业学院学报 ２０２２ 年
表２ 相关性分析结果表
模型 非标准化系数 标准化系数 Ｔ 显著性
Ｂ 标准错误 Ｂｅｔａ
常数 １８３． ３６２ ２６５． ５４３ －０．２７３ ６． ８８１ ０．０００
煤炭价格 １． ８１０ ０． ６９１ －３．０４２ ０．００５
进口量 －２．５９２ －３．１２５ ０． ０９７ ０． ８３４ ０．４２４
进口均价 ６． ４１８ ０． ７４０ ０． ９８７ １１． ０４０ ０．０００
出口量 １９． ８８５ １１． ５４７ －０．１６５ －２．１０４ ０．０６０
出口均价 ２． ４３３ １． ９５２ ０． １３２ １． ８６２ ０．０９４
月产量 －１．３６５ ０． ５５３ －０． ３４９ －４．２７０ ０．０００
分析表２ 可以看出，甲醇价格与煤炭价格、进 数，在确定 τ ＝１、ｍ ＝１０ 后，对原时间序列空间重
口量、进口均价、出口量、出口均价月产量存在如 构获得式（７）所示的相空间矢量式。
式（６）所示的关联。 ｐ（ｔｉ ） ＝ Ｆ（Ｐ（ｔｉ－１ ），Ｐ（ｔｉ－２ ），…，Ｐ（ｔｉ－１０ ）） （７）
ｙ ＝ １． ８１０ｘ１ － ２． ５９２ｘ２ ＋ ６． ４１８ｘ３ ＋ １９． ８８５ｘ４ ＋ 其中，预测的产品价格为ｐ（ｔｉ），Ｐ（ｔｋ），
２． ４３３ｘ５ － １． ３６５ｘ６ ＋ １８３． ３６２ （６） ｉ － １ ｋ ｉ － １０ 表示甲醇价格。 将自变量输入极
其中，煤炭价格为ｘ１ ，进口量为ｘ２ ，进口均价 端学习机，维数为１０，同时确定１０ 个输入层神经
为ｘ３ ，出口量为ｘ４ ，出口均价为ｘ５ ，月产量为ｘ６ ，甲 元；甲醇实际价格为自变量，维变量和输出层神经
醇价格为ｙ。 分析式（６） 可以看出，甲醇价格的影 元均为１。
响因素中，煤炭价格与月产量的相关性较低，进出 （２）短期结果预测分析
口均价、出口量与甲醇价格为线性相关，同时与进 本文在ＭＡＴＬＡＢ７． １ 环境下， 计算ＣＰＵ 为
口量负相关，所以能够准确分析得出不同变量与 ３．２ＧＨｚ的奔腾四机器上进行，验证算法有效性，采
甲醇价格之间的关联。 用Ｓｉｇｍｏｉｄ 函数为ＥＬＭ 学习算法激活函数，激活函
３． 甲醇价格短期预测 数个数为 ２０ 个。 以 ２０１１—２０２０ 年每天甲醇价格
为提高预测甲醇价格的准确度，划分输入变 为数据进行训练，并进行数据相空间重构，对样本
量，基于甲醇价格间影响关系重构甲醇价格空间， 点进行筛选，最终选取２８８５ 个训练样本，单个样本
在预测甲醇价格时，要结合其价格变化趋势动态 为１０ 维数，测试样本为２０２０ 年５ 月样本点数据，
进行。 建立 ＥＬＭ 模型并用 ２０１１—２０２０ 年甲醇价 共有样本点３０ 个。 如图２ 所示。
格构成时间序列进行训练，对相应模型中参数进
行确定，利用２０２０ 年５ 月中３０ 天实际价格数据与
预测值进行比较，对模型的有效性进行确认。
（１）数据的预处理
使用ＥＬＭ 极端学习机构建甲醇价格预测模型
时，需输入神经网络变量，即煤炭价格、甲醇价格、
进口均价、表观消费量、出口均价进行相空间重
构，对输入变量的延迟时间 τ、嵌入维数ｍ 进行确 图２ 甲醇价格真实值与预测值间的绝对误差
定。 在甲醇价格短期预测中，通过算法仿真有 本文给出２０２０ 年５ 月份３０ 个数据为甲醇价
τ ＝１，选取嵌入维数 ｍ ＝１０。 分析甲醇数据，针对 格实际值和预测值间绝对误差。 由图２ 可知，绝对
短期预测，本文通过相空间重构的方式处理甲醇 误差在４４ 元左右，相比于甲醇的平均价格２７５０
价格时间序列，选取 ２０１１—２０２０ 年甲醇价格作为 元／ 吨，预测精度较好。
时间序列，使用ＥＬＭ 模型展开训练，确定模型参
·１３０·
第１ 期 极端学习机算法下甲醇价格的短期与长期预测研究 ２０２２ 年
图３ 甲醇价格的实际值与预测值比较
图３ 为２０２０ 年５ 月甲醇价格的实际值与预测值比较曲线，由图 ３ 可知，基于 ２０１１—２０２０ 年 １１月数据，１２ 月份预测值可跟踪拟合甲醇实际值，且预测精度较高，能够在一定程度上指导甲醇真实的价格。
４． 甲醇价格长期预测
（１）数据的预处理
针对长期预测，本文选取 ２０１１—２０２０ 年期间煤炭价格、甲醇价格、进口均价、表观消费量、出口均价等数据，构建神经网络预测模型非线性时间序列，输出变量则为甲醇预测价格。 这与短期预测模式相似，把不同的数据分别作为混沌时间序列，并进行相空间重构，从而将不同影响因素的特征提取出来，可将甲醇价格预测精度提高。 计算
机仿真选择 τ ＝１，嵌入维数ｍ ＝２，确定 τ ＝１，ｍ ＝２，从而可得到新空间矢量式如式（８）所示。
ê Ｑ （ ｔｉ － １） Ｑ （ ｔｉ － ２） ú
é ù
ê Ｐ（ｔｉ－１ ） Ｐ（ｔｉ－２ ） ú
ê ú
ｐ（ｔｉ） ＝ Ｆê Ｉ（ｔｉ－１） Ｉ（ｔｉ－２ ） ú （８）
ê Ｏ（ｔｉ－１ ） Ｏ（ｔｉ－２ ） ú
ê ú
ê Ｃ（ｔｉ－１ ） Ｃ（ｔｉ－２ ） ú
ë û
其中，ｐ（ｔｉ ） 表示要预测的产品价格，Ｑ（ ｔｋ ） 为表观消费量、Ｐ（ｔｋ ）为甲醇价格、Ｉ（ｔｋ ） 为进口均价、Ｏ（ｔｋ） 为出口均价、Ｃ（ｔｋ） 为煤炭价格（ｉ － １ ｋ ｉ － ２），均为输入变量，在极端学习机中变量取２ 维，确定１０ 个神经网络输入层神经元。
（２）长期结果预测分析
本文搜集并分析每个月甲醇价格的平均值以及不同影响因素的相关数据，进行甲醇价格长期预测，选取２０１１ 年１ 月至２０２０ 年１２ 月份期间内的数据，展开相空间重构，确定１０ 维输入数据，每个影响因素２ 维，从而对甲醇的价格进行预测。 利用２０２０ 年５ － １２ 月份实际值与预测值进行对比，说明本文方法有效性，表３ 为基于长期预测方法的甲醇实际值与预测值比较。
表３ 基于长期预测方法的甲醇实际值与预测值比较
２０２０ 年 ５ 月 ６ 月 ７ 月 ８ 月 ９ 月 １０ 月 １１ 月 １２ 月
实际值 ２７１１ ２５８１ ２５３１ ２５７１ ２６７２ ２６７８ ２５５１ ２６２１
预测值 ２７９９ ２６５０ ２５４８ ２５１３ ２５７１ ２７３９ ２５７７ ２６０１
相对误差／％ ３．２４ ２．６７ ０．６７ ２．５６ ３．７８ ２．２８ １．０２ ０．７６
由表３ 知，利用本文方法获得的甲醇实际值与预测值间的相对误差最小值为０．６７％，最大为３．７８％，预测精度较好。
图４ 基于长期预测方法甲醇价格预测值
及真实值比较曲线
图４ 为基于长期预测方法甲醇价格预测值及
真实值比较曲线，由图４ 可知，预测值能跟踪真实值变化，市场指导价值较好。
三、结论
甲醇价格与我国国民经济发展直接相关，但其影响因子较多，想要准确预测难度较大，为将甲醇价格预测精度提高，本文基于甲醇价格影响因素的分析，采用极端学习机算法，提出甲醇价格的短期与长期预测等问题，构建短期和长期预测模型，得出如下结论。
（１） 甲醇价格与甲醇进出口均价、出口量为线性相关，与甲醇进口量负相关，而月产量及煤炭价格与甲醇的相关性比较低。
（２）短期预测表明，甲醇价格实际值和预测值间绝对误差在４４ 元左右，相比于甲醇的平均价格·１３１·
第１ 期 黑龙江工业学院学报 ２０２２ 年
２７５０ 元／吨，预测精度较好。 长期预测表明，甲醇 系研究—基于 ＭＳ － ＶＡＲ 模型的分析［Ｊ］． 价格理论与实
实际值与预测值间的相对误差最小值为０． ６７％， 践，２０１８（１０）：８９ － ９２．
最大为 ３．７８％， 预测精度较好 。 ［８］Ｍａｒｉｎｋａ Ｚ， Ｍｏｎｉｃａ Ａ， Ｊｕｒｅ Ｌ．Ｍｏｄｅｌｉｎｇ ｐｏｌｙｐｈａｒｍａ⁃
ｃｙ ｓｉｄｅ ｅｆｆｅｃｔｓ ｗｉｔｈ ｇｒａｐｈ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ［Ｊ］． Ｂｉｏｉｎｆｏｒ⁃
（３）本文预测结果虽然精确度有一定提高，但 ｍａｔｉｃｓ ， ， （ １３ ）： －４６６．
还存在误差，在今后的研究中，重点是进一步提高 ２０１８ ３４ ４５７ ｂｉｇ ｄａｔａ ａｎｄ ｍａｃｈｉｎｅ
［９］ Ｓｙｅｄａｍａｈｍｏｏｄ Ｔ． Ｒｏｌｅ ｏｆ
甲醇产品价格预测精度 减少预测误差 。 ｌｅａｒｎｉｎｇ ｉｎ ｄｉａｇｎｏｓｔｉｃ ｄｅｃｉｓｉｏｎ ｓｕｐｐｏｒｔ ｉｎ ｒａｄｉｏｌｏｇｙ［Ｊ］． Ｊｏｕｒ⁃
、 ｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｃｏｌｌｅｇｅ ｏｆ Ｒａｄｉｏｌｏｇｙ， ２０１８， １５ （ ３）：
朱琼芳 参考文献 ５６９ － ５７６． Ｙ Ｊ，Ｗａｎｇ Ｊ Ｌｉ． Ｄｏ ｈｉｇｈ － ｆｒｅｑｕｅｎｃｙ ｓｔｏｃｋ
［１ ］ ． 我国甲醇及其下游产品市场分析与展望 ［１０］Ｚｈａｎｇ
ｍａｒｋｅｔ ｄａｔａ ｈｅｌｐ ｆｏｒｅｃａｓｔ ｃｒｕｄｅ ｏｉｌ ｐｒｉｃｅｓ Ｅｖｉｄｅｎｃｅ ｆｒｏｍ ｔｈｅ
［Ｊ］． 煤化工 ，２０１９，４７（６）：５２ －５８．
［ ］ ， （ ７８ ）： －２０１．
［２ ］ 陆刚 冯鑫 陆泓宇 中外大宗农产品价格波动与 ＭＩＤＡＳ ｍｏｄｅｌｓ Ｊ ．Ｅｎｅｒｇｙ Ｅｃｏｎｏｍｉｃｓ ２０１９ １９２
， ， ． ［Ｊ］． 中国农业大学学 ［ １１ ］李康琪，何淼 ．ＢＲＥＮＴ 原油价格波动性及预测研
传导机制相关性复杂网络的视角 Ｊ ２０１５
报 ： ． （ ２６ ４４ － ４５．
究［ ］ 江苏商论， ）：
，２０１７，２２（８）：１７１ － １８１． 基于 神经网 ［ １２ ］董振宇，冯恩民，尹洪超，等 国际原油价格预测
［３ ］ 刘晓蝶 ， 孟祥瑞 王向前 Ｌａｓｓｏ － ＢＰ ． ］ 运筹学学报，
， ． 的双层随机整数规划模型、算法及应用［ ．
络模型的江苏省碳排放预测［Ｊ］． 黑龙江工业学院学报（综 ２０１５ ， （ ）： －２５． Ｊ
合版 ），２０２１，２１（８）：６０ － ６５． １９ ３ １８ 方法的
等 基于图深度学习的大宗商 ［ １３ ］陈羽瑱 基于多分辨率小波分析和 Ｃｏｐｕｌａ
［４ ］ 付星星 ， 张军 秦岩 ． ］ 时代
， ， ． 原油期货价格和人民币汇率风险溢出效应研究［
品价格预测研究［ Ｊ］． 计算机应用与软件，２０２１，２８ （７）： 金融， （ ２４ ）： －３１． Ｊ ．
６０ － ６６． ２０１６ ３０
崔志明 ．２０１９ 年我国甲醇市场需求变化有限 ［Ｊ］． ［１４］王新宇，邵哲，宋学锋． 考虑美元指数冲击的
［５］ ＣＰＡＡＶＳ－ ＣＡＶｉａＲ 油价风险预测［ ］ 中国矿业大学学报，
中国石化 ，２０１９（３）：４６ －４９． Ｊ ．
２０１６ ， （ ）：
［６ ］ 林耿堃 ， 龚庆 上游产业链视阈下甲醇期货价格均 ４５ ４ ８４３ － ８４８．
． ，２０２１ 现［ ［ ］王章章基于机器学习的价格预测模型研究与实
值溢出效应分析 ［Ｊ］． 长春金融高等专科学校学报 ］ 西安：长安大学，
Ｄ １５ ． ２０１８．
（３）：８２ －９０． ．
［７］刘红，郑玉航． 我国焦煤焦炭期现货价格的动态关
Ｏｎ Ｓｈｏｒｔ－ ｔｅｒｍ ａｎｄ Ｌｏｎｇ － ｔｅｒｍ Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ｍｅｔｈａｎｏｌ Ｐｒｉｃｅ Ｂａｓｅｄ
ｏｎ Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ Ａｌｇｏｒｉｔｈｍ
Ｐｅｉ Ｑｉｎ１ ， Ｌｅｉ Ｚｈａｏ２
（１． Ｓｃｈｏｏｌ ｏｆ Ｆｉｎａｎｃｅ ａｎｄ Ｅｃｏｎｏｍｉｃｓ， Ｗａｎｊｉａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｍａ’ ａｎｓｈａｎ， Ａｎｈｕｉ ２４３０３１，Ｃｈｉｎａ； ２． Ｓｃｈｏｏｌ ｏｆ Ｃｈｅｍｉｓｔｒｙ ａｎｄ Ｃｈｅｍｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ａｎｈｕｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｍａ’ ａｎｓｈａｎ， Ａｎｈｕｉ２４３０３２， Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ ｏｎ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｉｎｆｌｕｅｎｃｉｎｇ ｆａｃｔｏｒｓ ｏｆ ｍｅｔｈａｎｏｌ ｐｒｉｃｅ， ｕｓｉｎｇ ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ ａｌ⁃ｇｏｒｉｔｈｍ， ｔｈｉｓ ｐａｐｅｒ ｐｕｔｓ ｆｏｒｗａｒｄ ｔｈｅ ｓｈｏｒｔ － ｔｅｒｍ ａｎｄ ｌｏｎｇ － ｔｅｒｍ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｍｅｔｈａｎｏｌ ｐｒｉｃｅ． Ｂｙ ｃｏｎｓｔｒｕｃｔｉｎｇｓｈｏｒｔ － ｔｅｒｍ ａｎｄ ｌｏｎｇ － ｔｅｒｍ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌｓ， ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｍｅｔｈａｎｏｌ ｐｒｉｃｅ ａｎｄ ｉｍｐｏｒｔ ｖｏｌｕｍｅ， ｃｏａｌｐｒｉｃｅ， ｅｘｐｏｒｔ ｖｏｌｕｍｅ， ａｖｅｒａｇｅ ｉｍｐｏｒｔ ｐｒｉｃｅ， ｍｏｎｔｈｌｙ ｏｕｔｐｕｔ ａｎｄ ａｖｅｒａｇｅ ｅｘｐｏｒｔ ｐｒｉｃｅ ｗａｓ ａｎａｌｙｚｅｄ． Ｔｈｅ ｒｅｓｅａｒｃｈｓｈｏｗｓ ｔｈａｔ ｍｅｔｈａｎｏｌ ｐｒｉｃｅ ｉｓ ｎｅｇａｔｉｖｅｌｙ ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ ｍｅｔｈａｎｏｌ ｉｍｐｏｒｔ ｖｏｌｕｍｅ， ａｎｄ ｌｉｎｅａｒｌｙ ｃｏｒｒｅｌａｔｅｄ ｗｉｔｈ ｅｘ⁃ｐｏｒｔ ｖｏｌｕｍｅ， ａｖｅｒａｇｅ ｉｍｐｏｒｔ ｐｒｉｃｅ ａｎｄ ａｖｅｒａｇｅ ｅｘｐｏｒｔ ｐｒｉｃｅ． Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｏｔｈｅｒ ｉｎｆｌｕｅｎｃｉｎｇ ｆａｃｔｏｒｓ， ｉｔ ｈａｓ ａｒｅｌａｔｉｖｅｌｙ ｌｏｗ ｃｏｒｒｅｌａｔｉｏｎ ｗｉｔｈ ｍｏｎｔｈｌｙ ｏｕｔｐｕｔ ａｎｄ ｃｏａｌ ｐｒｉｃｅ． Ｔｈｅ ｓｈｏｒｔ － ｔｅｒｍ ｐｒｅｄｉｃｔｉｏｎ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ａｂｓｏｌｕｔｅｅｒｒｏｒ ｂｅｔｗｅｅｎ ｔｈｅ ａｃｔｕａｌ ｖａｌｕｅ ａｎｄ ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｖａｌｕｅ ｏｆ ｍｅｔｈａｎｏｌ ｐｒｉｃｅ ｉｓ ａｂｏｕｔ ４４ ｙｕａｎ． Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ａｖ⁃ｅｒａｇｅ ｍｅｔｈａｎｏｌ ｐｒｉｃｅ ｏｆ ２７５０ ｙｕａｎ／ｔｏｎ，ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ｉｓ ｈｉｇｈｅｒ． Ｔｈｅ ｌｏｎｇ － ｔｅｒｍ ｐｒｅｄｉｃｔｉｏｎ ｓｈｏｗｓ ｔｈａｔｔｈｅ ａｖｅｒａｇｅ ｒｅｌａｔｉｖｅ ｅｒｒｏｒ ｂｅｔｗｅｅｎ ｔｈｅ ａｃｔｕａｌ ｖａｌｕｅ ａｎｄ ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｖａｌｕｅ ｏｆ ｍｅｔｈａｎｏｌ ｐｒｉｃｅ ｉｓ ａｂｏｕｔ１．６％， ａｎｄ
ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ｉｓ ｈｉｇｈｅｒ． ｍｏｄｅｌ； ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ ａｌｇｏｒｉｔｈｍ； ａｃｃｕｒａｃｙ； ｓｈｏｒｔ ｔｅｒｍ ａｎｄ
Ｋｅｙ ｗｏｒｄｓ：ｍｅｔｈａｎｏｌ； ｐｒｅｄｉｃｔｉｏｎ
ｌｏｎｇ ｔｅｒｍ Ｄｏｃｕｍｅｎｔ Ｍａｒｋ：Ａ
Ｃｌａｓｓ Ｎｏ．：Ｆ４２６：Ｆ７６７：ＴＰ３０１．６
（责任编辑：张瞳光）
·１３２·
|