一种基于价格指数调整的铜材价格预测方法及系统与流程

1.本发明属于铜价预测技术领域，具体涉及一种基于价格指数调整的铜材价格预测方法及系统。


背景技术：

2.近年我国钢铁行业逐步巩固去产能成果，实现了95％以上的船用钢材产品国内供货，船用钢产量供需保持平稳态势，其钢材价格趋势变化较为平稳。而海缆主缆基本采用国外品牌，海底电缆合同价格条款采用的是以合同签订时期的铜基价为基准，结算时参考当期铜期货交易市场的铜价作为调整因子，综合测算最终的铜价。但是铜价近年来波动较大，采用上述方法预测得到的铜价与实际价格存在很大的差异，导致预算分配上存在严重的数据误差，增加了交易过程中的计算成本，提及合同处理过程中的时间成本，使得数据处理效率低下。


技术实现要素：

3.本发明的目的就是为了解决上述背景技术存在的不足，提供一种基于价格指数调整的铜材价格预测方法及系统，通过修正调整值可得到更为精确的铜价预测值，减少成本预估过程中的计算成本，提高成本预估的数据处理效率。
4.本发明采用的技术方案是：一种基于价格指数调整的铜材价格预测方法，包括以下步骤：
5.收集历史月度铜价数据和相应的生产价格指数；
6.通过历史月度铜价数据预测下个年度各个月度的预测铜价月度数据；
7.将预测得到的下个年度各个月度的预测铜价月度数据转化为下个年度的预测铜价年度数据；
8.基于当前年度的生产价格指数形成铜价调整输入特征；
9.将预处理后铜价调整输入特征作为bp神经网络的输入特征向量；bp神经网络输出下个年度的铜价数据调整值；
10.将下个年度的预测铜价年度数据与铜价数据调整值相乘，得到最终的下年度的铜价预测值。
11.上述技术方案中，所述生产价格指数包括：工业生产者出厂价格指数；有色金属矿采选业工业生产者出厂价格指数；有色金属冶炼及压延加工业工业生产者出厂价格指数；工业生产者购进价格指数；有色金属材料类业生产者购进价格指数；生产资料工业生产者出厂价格指数；采掘工业工业生产者出厂价格指数；原材料工业工业生产者出厂价格指数。
12.上述技术方案中，基于历史月度铜价数据构建多尺度组合预测模型，基于所述多尺度组合预测模型根据历史月度铜价数据，预测下个年度各个月度的预测铜价月度数据。
13.上述技术方案中，基于历史月度铜价数据构建多尺度组合预测模型的过程包括：选用经验模态分解对历史月度铜价数据序列进行分解；运用游程判定法对分解后的子序列
进行重构，形成高频、中频、低频和趋势项四个部分；运用支持向量机和时间序列方法对高频、中频和低频三部分进行预测；运用差分整合滑动平均自回归模型对趋势项的进行预测；采用支持向量机集成方法对高频、中频、低频和趋势项四个部分的预测结果进行集成，得到预测铜价月度数据。
14.上述技术方案中，bp神经网络的构建过程包括：获取各个既往年度的历史月度铜价数据，计算得到各个既往年度的实际年度铜价值；通过多尺度组合预测模型和正态分布拟合的方法得到各个既往年度的预测铜价年度数据；将各个既往年度的实际年度铜价值除以对应的预测铜价年度数据得到各个既往年度的调整值；获取各个既往年度的生产价格指数并形成铜价调整输入特征；将各个既往年度预处理后的铜价调整输入特征和调整值形成样本集，对于bp神经网络进行训练，其中预处理后的铜价调整输入特征矩阵作为模型输入，调整值作为模型输出。
15.上述技术方案中，运用正态分布拟合的方法将预测得到的下个年度各个月度的预测铜价月度数据转化为下个年度的预测铜价年度数据。
16.上述技术方案中，对当前年度的生产价格指数进行归一化处理，形成8维的铜价调整输入特征，并运用l2范数正则化对铜价调整输入特征矩阵进行数据预处理操作。
17.上述技术方案中，选用经验模态分解对历史月度铜价数据序列进行分解的过程包括：假设历史月度铜价数据序列为 y(t)(t＝1,2,
…
,n)，首先通过emd多尺度分解方法分解为由n个imf 分量和1个剩余分量之和：
[0018][0019]
式中，剩余分量rn(t)代表了信号的趋势，各imf分量 c1(t),c2(t)
…cn
(t)分别包含了信号从高到低不同频率段的成分。
[0020]
本发明提供了一种基于价格指数调整的铜材价格预测系统，该系统用于实现上述技术方案所述基于价格指数调整的铜材价格预测方法。
[0021]
本发明提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述技术方案所述基于价格指数调整的铜材价格预测方法步骤。
[0022]
本发明的有益效果是：本发明通过建立基于历史月度铜价数据的多尺度组合预测模型和基于年度铜价预测与实际偏差的价格调整预测模型，预测铜价偏差率，通过修正调整值可得到更为精确的铜价预测值，进而实现铜价相关主材价格的预测。
附图说明
[0023]
图1为本发明的流程示意图；
[0024]
图2为本发明的多尺度组合预测模型流程图；
[0025]
图3为本发明的基于年度铜价预测与实际偏差的价格调整预测模型流程图。
具体实施方式
[0026]
下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。
[0027]
如图1所示，本发明提供了一种基于价格指数调整的铜材价格预测方法，包括以下步骤：
[0028]
收集历史月度铜价数据和相应的生产价格指数；
[0029]
通过历史月度铜价数据预测下个年度各个月度的预测铜价月度数据；
[0030]
将预测得到的下个年度各个月度的预测铜价月度数据转化为下个年度的预测铜价年度数据；
[0031]
基于当前年度的生产价格指数形成铜价调整输入特征；
[0032]
将预处理后铜价调整输入特征作为bp神经网络的输入特征向量；bp神经网络输出下个年度的铜价数据调整值；
[0033]
将下个年度的预测铜价年度数据与铜价数据调整值相乘，得到最终的下年度的铜价预测值。
[0034]
本发明的具体实施例将应用于海上风电铜材价格预测，具体包括以下步骤：
[0035]
s1、通过价格库和指数库进行数据的收集；
[0036]
s2、基于历史月度铜价数据构建多尺度组合预测模型：运用多尺度组合模型的思想，选用emd(经验模态分解)对铜价序列进行分解，再运用游程判定法对分解后的子序列进行重构，运用支持向量机(svm)和时间序列方法对高频、中频和低频这三部分进行预测，最后选用svm集成方法进行集成；
[0037]
s3、运用正态分布拟合、l2范数正则化、bp神经网络方法对铜价调整值进行预测，对比年度铜价预测与实际偏差的价格完成调整预测模型的构建；
[0038]
s4、以预测2016年和2018年的铜价进行验证，进行铜价仿真分析结果；
[0039]
s5、通过分析说明铜材、钢材对海上风电工程造价的影响。
[0040]
步骤s1中，所述价格库包括2008年1月至2018年12月的上海交易所(cu)期铜价格的月度数据。
[0041]
所述生产价格指数(producer price index
‑‑
ppi)是衡量工业企业产品出厂价格变动趋势和变动程度的指数，是反映某一时期生产领域价格变动情况的重要经济指标，也是制定有关经济政策和国民经济核算的重要依据。所以，通常认为生产价格指数的变动对预测铜价指数的变动是有用的。能用到的生产价格指数包括：
[0042]
①
工业生产者出厂价格指数；
②
有色金属矿采选业工业生产者出厂价格指数；
③
有色金属冶炼及压延加工业工业生产者出厂价格指数；
④
工业生产者购进价格指数；
⑤
有色金属材料类业生产者购进价格指数；
⑥
生产资料工业生产者出厂价格指数；
⑦
采掘工业工业生产者出厂价格指数；
⑧
原材料工业工业生产者出厂价格指数。
[0043]
步骤s2中，多尺度组合模型的构建思路如下：
[0044]
一般而言，铜价序列的波动具有非线性、非平稳、多尺度(“多尺度”主要是指“多个频率”)特征或效应，这些特征极大影响了预测的精度。一般的预测方法往往难以抓住数据波动复杂的特点和规律，从而降低了预测精度。因此，为了挖掘铜价数据波动中隐藏的规律，本发明将原始数据序列进行充分的分解，然后分析各个分解序列的特点。在众多分解方法中，多尺度方法能够挖掘数据在不同尺度上隐含的多种内在规律和本质特征，挖掘不同尺度下影响因素的作用大小，并且还具有思路清晰且计算复杂度低等优点。
[0045]
因此，考虑用多尺度分解方法首先对数据序列进行分解，有助于后面更深入地分
析各影响因素对价格序列的影响，进而更好地预测价格序列的未来走势。
[0046]
多尺度组合模型的基本思想是：首先利用多尺度分解方法将待处理的序列在不同的尺度上进行分解，将含有综合信息的非平稳时间序列分解为多个分量特征不同的平稳时间序列；然后，选用某种重构方法将分解后的子序列进行重构，一方面可以减少预测工作量，另一方面可以使重构序列具有一定的经济含义；之后，对特征不同的重构序列分别选用合适的方法进行预测；最后，利用集成方法将各项的预测结果进行集成，得到最终的预测值。
[0047]
如图2所示，基于历史铜价数据的多尺度组合预测模型构建过程如下：
[0048]
s2.1，首先选用emd(经验模态分解)对铜价序列进行分解。 emd分解是直接和自适应的，有更好的时间分辨率和频率分辨率，能够更好地突出数据的局部特征，能增强细分频段的变化规律性，在进一步分析时可以更有效地把握原数据的特征信息，通过emd 分解可以分解出n个频率由高到低的imf分量和1个剩余分量r。
[0049]
假设历史铜价序列为y(t)(t＝1,2,
…
,n)，首先通过emd多尺度分解方法可以分解为有限个imf之和，而imf可以按以下方法“筛分”获得：
[0050]
①
找出y(t)所有的极大值点并将其用三次样条函数插值成为原数据序列的上包络线；找出y(t)所有的极小值点并将其用三次样条函数插值成为原数据序列的下包络线；上下包络线的均值为原数据序列的平均包络线m1(t)；将原数据序列y(t)减去该平均包络后即可得到一个去掉低频的新数据序列h1(t)：
[0051]
y(t)-m1(t)＝h1(t)
ꢀꢀꢀ
(1)
[0052]
如果h1(t)是一个imf，那么h1(t)就是y(t)的第一个分量。imf 必须满足两个条件：一是其极值点个数和过零点数相同或者最多相差一个，二是其上下包络线关于时间轴局部对称。
[0053]
②
如果h1(t)不满足imf的条件，把h1(t)作为原始数据y(t)，需要对它重复
①
的处理过程k次，直到所得到的平均包络值趋于零为止。这样就得到了第一个imf分量c1(t)，代表了原价格序列中最高频的组成成分。
[0054]
③
将原始数据序列y(t)减去第一个分量c1(t)，可以得到一个去掉高频组成成分的差值数据序列r1(t)，即有r1(t)＝y(t)-c1(t)。将r1(t)作为原始数据y(t)，重复步骤
①
和
②
，得到第二个imf分量c2(t)，如此重复下去直到最后一个差值序列rn(t)成为一个单调函数为止，循环结束。
[0055]
最后，原始数据序列可由n个imf分量和1个剩余分量表示：
[0056][0057]
式中，剩余分量rn(t)代表了信号的趋势，各imf分量 c1(t),c2(t)
…cn
(t)分别包含了信号从高到低不同频率段的成分。
[0058]
s2.2，运用游程判定法对分解后的子序列进行重构。游程判定法对铜价序列可以重构成高频、中频、低频和趋势项等四个部分。
[0059]
对于emd多尺度分解出来的n个imf分量和1个剩余分量，根据emd分解原理，剩余分量rn(t)即代表了趋势项，因此首先把 rn(t)单独归为趋势项。本文采用游程判定法对n个imf分量进行重构：
[0060]
对于n个imf分量c1(t),c2(t)
…cn
(t)，利用游程判定法分别计算每个分量的游程
数。设某imf分量所对应的时间序列为{ci(t)} 的均值为比小的观察值记为“－”，比大的观察值为“+”，如此可得到一个符号序列，其中，每段连续相同符号序列称为一个游程，这样就可以算出每一个imf分量的游程数。容易看出，任何一个imf分量的游程数不会超过样本总数n。游程数的多少可以反映序列的波动程度，越多表示越剧烈。
[0061]
然后根据最大可能的游程数n(这个数值等于样本总数)，将游程数[1,2,
…
n-1,n]等分为n个区间，游程数落在同一个区间的imf分量重构为一项。落在游程数较大区间的是高频项，其次是中频项，再次是低频项。这样，就可以利用游程判定法把分解后的n个imf分量重构为高频项y1(t)、中频项y2(t)、低频项y3(t)；剩余分量rn(t)为长期趋势项y4(t)。
[0062]
从上面可以看出，对于游程判定法，其游程区间数量是由imf 分量的个数决定的，区间的长度是由样本数量和imf分量个数共同决定的。因此，这种重构方法完全依赖数据波动的特点和数据的长度，具有客观性。
[0063]
s2.3运用支持向量机(svm)和时间序列方法对高频、中频和低频这三部分进行预测。因为svm机器学习方法针对不同波动频率的序列有独特的优势，具有很好的学习能力且善于捕捉到数据的非线性特征；而arima(差分整合滑动平均自回归模型)模型是线性模型，非常适合趋势项的预测。
[0064]
根据重构项的不同尺度特征，选用svm方法对高频项y1(t)、中频项y2(t)和低频项y3(t)进行预测，选用arima模型对趋势项 y4(t)进行预测。
[0065]
①
利用svm方法对高频项y1(t)、中频项y2(t)和低频项y3(t)进行预测。svm模型主要是通过一个非线性映射，把数据输入控件的输入变量y(t)，映射到高位特征空间，然后在特征空间中进行线性回归，构造出最优学习机器，然后根据结构风险最小化准则和对偶理论及鞍点条件，最终可以得到如下的输出变量：
[0066][0067]
因此，通过上述svm原理的步骤，可以分别得到高频项y1(t)、中频项y2(t)和低频项y3(t)的预测值和
[0068]
②
利用arima模型对趋势项y4(t)进行预测。首先确定arima 模型的阶数p和q，并估计模型的未知参数，然后建立arima(p,q) 模型：
[0069][0070]
最后得到趋势项y4(t)的预测值
[0071]
s2.4，选用svm集成方法进行集成。
[0072]
svm集成的主要操作方法是：将各项同时刻的预测值作为输入，将该时刻的实际价格作为输出，经过一定量样本的学习，建立各分量预测值和实际值之间的函数映射关系。对于训练好的模型，当输入变量为各分项预测值时，输出就是最终预测值。
[0073]
利用svm集成方法对高频预测结果中频预测结果低频预测结果以及趋势项预测结果进行集成即可得到最终预测值
[0074]
本具体实施例构建的多尺度组合模型表达式为：
[0075][0076]
步骤s3主要包括以下步骤：
[0077]
步骤s3.1，铜价调整的输入特征构建。
[0078]
由于多尺度组合模型拟合出的铜价与实际铜价之间存在一定的差异，这是因为基于历史数据的预测无法考虑到现行市场的变化对铜价所产生的影响。为了缩小预测值与实际值之间的误差，进一步增加铜价预测的精度。本文在综合现有文献的基础上对我国铜价影响因素进行分析，发现生产价格指数的变化是引起铜价波动的主要因素。通过对生产价格指数的分析，本文构造了一组铜价调整的输入特征。构建铜价调整的输入特征是调整铜价至关重要的工作。因此，铜价调整输入特征的构建从根本上决定了铜价调整之后的精度。铜价调整的输入特征由8维的特征组成，具体如下表1所示：
[0079]
表1铜价调整的输入特征
[0080][0081][0082]
s3.2，基于年度铜价预测与实际偏差的价格调整预测模型构建，具体步骤如下：
[0083]
第一步：运用正态分布拟合的方法将铜价月度数据转化为铜价年度数据。
[0084]
在实际工程概预算中铜价只需要一个年度数据，就可以进行一个工程的概预算工作。因此假定每年铜价的月度数据符合正态分布，则第k年均值和方差为：
[0085][0086]
那么每年铜价的期望就是该年铜价的概预算值估计值，方差反应了该年每月铜价的离散程度，方差越大变化程度越大，反之则越小。
[0087]
通过正态分布拟合的方法将铜价实际月度数据转化为年度数据将铜价预测月度数据转化为年度数据那么年度调整值为
[0088]
第二步：运用l2范数正则化对铜价调整的输入特征矩阵进行数据预处理操作。
[0089]
对于铜价调整的输入特征向量xk，采用l2范数正则化对输入特征向量xk进行预处理操作，方法如下：
[0090][0091]
预处理完成后的特征向量x
′k作为bp神经网络的输入向量。
[0092]
第三步：预处理操作完成后第k年的数据作为bp神经网络的输入特征向量x，而第k+1年的铜价调整值作为bp神经网络的输出量y。运用bp神经网络的对预测年份的铜价调整值y进行预测。
[0093]
bp神经网络是一种多层的前馈神经网络，由输入层、中间层 (隐层，可能包含多层)以及输出层组成。
[0094]
当输入模式投入到网络后，每层神经元都根据激活函数算出各自的激活值，通过一次前向传播，神经元的激活值从输入层传到隐层再传到输出层，输出层各神经元的输出就是bp神经网络的实际输出。计算网络实际输出与样本期望输出的误差，根据梯度下降法，按照误差减小最快的方向调整网络的权值，从后向前逐层修正各个连接权值，直到达到输入层，这种修正权值的方法就是“误差反传算法”，即bp算法。不断迭代这种前向传播计算实际输出与反向传播误差修正权值，直到网络的误差满足需求或者迭代次数达到预先设定的最大迭代次数。
[0095]
预处理操作完成后第k年的数据作为bp神经网络的输入特征向量x
′k，而第k+1年的铜价调整值作为bp神经网络的期望输出量y
k+1
＝ξ
k+1
。投入所有样本进行训练，当所有样本都投入训练之后，查看网络的输出误差e是否满足预先设定的阈值，如果不满足，则继续训练，直至误差满足条件或者训练次数达到预先设定的最大训练次数，训练之后的网络输入预测年份前一年的调价调整输入特征对预测年份的铜价调整值进行预测。
[0096]
第四步：计算调整后的铜价年度预测值。
[0097]
设基于历史铜价数据的多尺度组合模型的月度预测铜价为则运用正态分布拟合得到的调整前年度预测铜价为调整后的铜价年度预测值计算公式为：
[0098][0099]
步骤s4中，为了验证构建模型的正确性，以预测2016年和 2018年的铜价进行验证分析。
[0100]
(1)2018年预测结果与现有技术相比，如表2所示：
[0101]
表2调整前实际和预测年度值
[0112]
2016年在还没有调整前，年度实际铜价为35198.3元，年度预测铜价为40661.5元，偏差为15.52％。
[0113]
接下来对调整值进行预测，调整率预测为0.8539。
[0114]
表5调整后实际和预测年度值
[0115]
年度实际铜价均值预测铜价均值调整值ξ2016年35198.334719.10.8539
[0116]
2016年调整后的预测铜价均值为34719.1，偏差率为1.36％。
[0117]
通过比较分析发现，调整后的预测值偏差率大大降低，有效的提高了预测精度。通过调整后的2016年和2018年度铜价的预测偏差率在3％以内，表明基于历史铜价数据的多尺度组合模型对铜价年度值的预测具有较高精准度。
[0118]
同理，运用钢价历史数据也可以较为精准的预测出钢价年度值，进而可以预测出铜、钢相关的主材价格。
[0119]
步骤s5中，通过分析说明铜材、钢材对海上风电工程造价的影响：
[0120]
海上风电场建设成本构成中除海底基建外，中高压海底电缆也是导致投资成本大大增加的重要因素，海缆敷设技术及方案的成熟与否对一个海上风电场项目来说，无论从投资的经济性还是风电场的可靠性和稳定性来看，都具有巨大的影响，海上风电场发电之后向陆地输送电力、升压并网，海底电缆可以有效传输海上风电机组发出的电能，作为海上风电场电能输送通道，其安全可靠运行对海上风电场的安全运行至关重要，由于海缆被敷设在环境极其恶劣复杂的海底，在运行中除了受到潮汐、波浪、冲刷及地震等自然条件的作用外，还受到海底物质的摩擦、有害气体侵蚀、人类海洋活动的影响。因此，海底电缆不仅对防水、耐腐蚀、及其他不可控外力碰撞等特殊性能要求很高，还要有较高的电气绝缘性能和安全可靠性，否则一旦出现故障，会对海上风电机组发电量造成巨大的经济损失，而铜材和钢材是海缆设计制作和敷设的重要组成部分，铜价和钢价的价格走势很大程度上影响了海缆的造价和敷设成本，进而影响海上风电项目建设的造价。
[0121]
未来国家对海上风电项目建设力度的加大，将有序拉动钢材的需求。据分析，风机及塔筒、风机基础设备购置及建安工程费约占海上风电项目总投资80％，其造价的主要影响因素有材料成本、制作成本、施工成本、供求关系、人工成本等，其中钢材用量约占风机及塔筒总重量的90％，同时风机基础的钢管桩，海上升压站、陆上集控中心的钢结构等，均大量使用钢材，因此钢材价格也是影响海上风电总造价的关键因素。
[0122]
本发明基于期铜价格历史数据建立的多尺度组合模型一定程度上可以实现对铜价年度值的预测，该模型拟合出的铜价与实际铜价之间存在一定的差异，这是因为基于历史数据的预测无法考虑到现行市场的变化对铜价所产生的影响，通过对我国铜价影响因素进行分析，发现生产价格指数的变化是引起铜价波动的主要因素，利用生产价格指数，构造一组铜价调整的输入特征，缩小预测值与实际值之间的误差，进一步增加铜价预测的精度，仿真分析结果表明，基于年度铜价预测与实际偏差的价格调整预测模型的预测偏差率在3％以内，对铜价年度值具有相对较高的预测精度。本发明的方法可以通过计算机设备实现，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述技术方案所述基于价格指数调整的铜材价格预测方法步骤，有效提高了工业数据的利用率，实现了铜材价格的精准预测，为工程造价
工作提供技术支持。
[0123]
随着技术的提高和开发力度的加大，海上风电项目未来将向深海发展，离岸距离越来越长，海缆的投资占比也会逐步提高。铜材价格的预测对未来设备、主要材料的价格走势预测也有一定的借鉴意义。
[0124]
通过建立的铜价预测模型可以有效的预测出铜材的价格走势，而铜材是影响海上风电项目工程造价的关键因素，因此，铜材价格趋势拟合模型对于海上风电工程造价具有较为重要预测意义。
[0125]
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。