未来智库 > 神经网络论文 > 基于人工神经网络的钢材价格预测

基于人工神经网络的钢材价格预测

发布时间:2018-07-18 01:06:32 文章来源:未来智库    
    关键词:人工神经网络;价格预测
    中图分类号:F27
    文献标识码:A
    文章编号:16723198(2015)23006502
    1 引言
    中国是钢铁大国,钢铁产业在我国市场经济体系中占有重要的地位。中国的钢铁产业仍在稳步的前进,但是在发展的过程中也遇到了挑战。由于国际间贸易额的不断增长以及产业结构的不断调整,加之国内国外复杂的环境,我国钢铁产业供求失衡、价格波动等情况时有发生。钢铁价格的下降,造成企业获利空间明显下降,人们也认识到钢铁价格预测的必要性。对钢铁产品价格较准确的预测能帮助钢铁企业把握市场先机,合理控制生产,提高经济效益。
    2 价格预测方法研究
    随着社会的不断向前发展,针对商品价格进行预测的活动越来越广泛,价格预测研究已得到了一定的成果。根据价格预测原理不同,大致可分为定性预测、定量预测和智能预测方法。
    2.1 定性预测方法
    所谓定性预测方法,是指人们凭借知识和经验,在对现有信息分析的基础之上,对未来的发展趋势做出大致的判断。常见的定性预测方法有德尔菲法、主观概率法、情景预测法等。
    2.2 定量预测方法
    定量预测法是根据已经掌握的比较详备的统计数据,通过科学的方法对数据进行加工与处理,借以揭示有关变量之间的联系,对事物未来发展变化情况做出预测和推测。常见的有时间序列预测法和因果关系预测法两大类。
    2.3 智能预测方法
    所谓的智能预测方法就是运用智能信息处理的理论与方法,进行信息分析预测的体系。近几年在价格预测方面,应用比较广泛的智能方法有人工神经网络、遗传算法、粗糙集、小波分析等。登文,蒋红妍等(2010)将人工神经网络应用于建筑材料的预测中,对未来的价格预测做出预测,取得了很好的效果。贾振华,陈英杰等(2011)通过定性分析获得石油价格变化影响因子,将重要影响因子输入BP神经网络的,对石油价格进行预测。侯普光等(2014)选取2001―2012年的山西省太原市房价数据为研究对象,将小波分析理论和ARMA模型相结合,实现太原市房价的预测。
    3 BP神经网络
    3.1 BP神经网络
    典型的BP神经网络是一种具有三层或者三层以上结构的无反馈的、层内无互连结构的前向网络,其中首尾两层分别称为输入层和输出层,中间层为隐含层。在BP神经网络中,以3层感知器应用最为普遍。
    3.2 BP神经网络的单元处理模型
    为不失一般性,同时便于将神经网络的处理单元解释清楚,在此选取神经网络任意两层介绍其处理单元的数学模型。L1层的n个处理单元全连接,连接权向量W={wij|i=1,2,…,n;j=1,2,…,p},L1层到L2层的输入向量为
    X=(x1,x2,…,xn)T,L2层各个处理单元的阈值为θj,j=1,2,…,p,因此,L2层的各个处理单元接受的的输入加权和为:
    sj=ni=1xiwij-θj j=1,2,…,p(1)
    L2层各个处理单元的输出有转移函数决定,BP神经网络通常采用Sigmoid函数作为转移函数,Sigmoid函数的数学表达式为:
    f(x)=11+e-x(2)
    因此,L2各个处理单元的输出为:
    y=f(sj)=11+e-sj(3)
    4 实证分析
    4.1 数据选取
    从2014年中国钢铁工业协会公布的数据中,钢材的分类主要包括螺纹钢、中厚板、角钢、热轧卷板、冷轧薄板、镀锌板、无缝管等几种,在此本文以无缝管为例,介绍如何利用BP神经网络进行价格预测。
    现在用1、2、3、4月份无缝管的价格预测5月份价格,用2、3、4、5月份的市场价格来预测第6月的价格,依此类推,最后用5、6、7、8月的市场价格预测9月的市场价。以此种方法,建立时间序列的神经网络预测模型。
    4.2 网络设计
    4.2.1 神经网络参数
    本文中基于BP神经网络预测模型的隐含层神经元激活函数使用Sigmoid函数,输出层神经元激活函数使用线性函数。设置学习精度设为=0.005。
    4.2.2 神经网络层级设计
    (1)输入层和输出层节点数:对钢材价格进行预测的模型的输入层神经节点及输出层神经节点数进行设置。
    (2)隐含层节点数:利用试凑法来解决最佳隐含层节点数问题,可以便于问题的处理,借助的公式为:
    l1=n+m+q,l2=log2n,l2=mn
    (其中,l为隐层节点数,n为输入层节点数,m为输出层节点数,q为1-10之间的常数)。
    4.3 模型的训练及预测
    运用Matlab7.0提供的newff()等函数,编制计算程序,运行的学习精度满足对预先设定的学习精度要求。对于预测结果存在的误差,进行统一的处理,误差=(训练值-真实值)/真实值。
    表2 模型的训练
    时间/月56789
    真实值0.5960.3570.2540.1650.000
    训练值0.5910.3430.2400.1570.019
    误差%-0.840-3.921-5.511-4.8481.900
         在对学习结果进行研究,误差最大的为7月份,误差为0.0551;最小的为五月份误差为0.0190。从对BP神经网络的训练的结果来看,学习结果是比较理想的,此神经网络可以作为一个成熟的模型,对未来的钢材的价格进行预测。
    用训练成熟的BP神经网络,根据对神经网络进行训练时的模式,对未来几个月的钢材的价格进行预测,也就是可以用6、7、8、9月份的价格预测10月份的价格,以此类推,预测未来四个月的价格。
    5 结论与启示
    通过选择钢铁行业为研究对象,分析钢铁价格的波动规律,预测钢铁价格的未来走向,对于研究钢铁产业的规律具有重要的意义。
    对于钢材的生产者和消费者来说,如何准确的预测价格趋势是一个难点问题。在对价格进行预测的方法中,人工神经网络因具有适应性强、容错能力好、非线性映射能力强等优点,得到人们的广泛的应用。借助BP人工神经网络,我们可以在统计得到的历史价格的基础上,准确的预测未来价格走势,以此对生产经营者和消费者提供决策支持。
    对于生产者来说,钢材价格的下降,会给企业带来一系列决策的调整。一方面,在单位劳动成本不变的情况下,钢材价格的下降,会使企业的盈利减少。另一方面,钢材价格的下降,侧面反映出经济结构的调整。生产经营者要想使企业取得长久的发展,需要不断调整自己的内外部结构来适应经济发展的规律。企业需减少对钢材的资金投入,控制钢材的产量,避免出现因产品滞销造成大量库存,导致资金无法回笼的情况,因此企业应转变自己的生产经营模式,不断地寻找新的盈利空间等。
    对于消费者来说,预测价格的变化趋势能减少购买成本。钢材价格的上涨必定引起购买成本的增加,因此购买者在购买钢材时会希望自己的收益最大化。对钢材价格的预测,可以减少消费者在购买过程中的成本。比如,对于建筑公司来说,钢材是必不可少的建筑材料,需要进购大量的钢材。为减少在订购产品时的成本,建筑公司往往要和钢材供应商签订长期合同。如果能够预测短期内钢材价格下降的变化趋势,建筑公司在谈判中就会充分考虑价格下降的因素,尽可能的减少合同签订后的成本。
    在进行预测的过程中,虽然BP神经网络应用时也有着一定的缺陷,比如不易解释,缺乏稳健性,隐含层节点数依赖经验等,但在一定程度上,它突破了传统预测方法的许多局限性,在实践中有着较为广泛的应用,是一种很有前景的预测方法。
    参考文献
    [1]KantardzicM.数据挖掘:概念,模型,方法和算法[M].王晓海,吴志刚译.北京:清华大学出版社,2013.
    [2]登文,蒋红妍,张子圆.基于BP神经网络的建筑工程造价快速预测[J].水利与建筑工程学报,2010,(6):6162.
    [3]陈建宏,永学艳,杨珊.基于时间序列模型的矿产品价格分析与预测[J].昆明理工大学学报,2009,34(6):914.
    [4]方雯,冯耕中.国内外钢材市场价格发现功能研究[J].系统理论工程与实践,2013,(3).
    [5]贾振华,陈英杰.神经网络在石油价格预测中的仿真研究[J].计算机仿真,2011,(12).
    [6]魏正曦,邱玲.线性回归分析法在工资预测中的应用[J].计算机仿真,2014,(3).
转载请注明来源。原文地址:https://www.7428.cn/page/2018/0718/22557/
 与本篇相关的热门内容: