發(fā)布時間：2020-11-08 13:19

　　 從研究煤炭價格序列自身變化規(guī)律的角度,提出基于滾動時間窗的ε-SVR預測模型,通過數(shù)據(jù)重構(gòu)獲得輸入與輸出樣本,隨著時間推移,不斷更新滾動時間窗的數(shù)據(jù)內(nèi)容,從而建立動態(tài)的ε-SVR模型預測最新時點的煤炭價格。將此模型應用于秦皇島港5 500 kcal混煤價格的預測,分別進行了1期、3期、6期、9期及12期的價格預測,所有預測結(jié)果的平均誤差值不超過3%,可見預測精度較高,預測效果良好。而且此模型數(shù)據(jù)獲取簡單、計算靈活方便,可應用于煤炭價格等非平穩(wěn)時間序列的預測問題中,其結(jié)果可以為相關(guān)企業(yè)決策者提供科學有效的數(shù)據(jù)支持。
【部分圖文】：

經(jīng)匯總整理，可知秦皇島港5 500 kcal混煤2011年1月份的平均價格為778元/t,2019年12月份的平均價格為545元/t，期間煤炭價格的變動趨勢如圖1所示。由圖1明顯可見，煤炭價格自2012年年初開始下降，持續(xù)下跌4年，雖然2013年底至2014年初稍有回升，但總體下跌趨勢并未改變。從2011年年底的最高報價850元/t到2015年年底的350元/t，跌幅達500元/t。直到2016年年初煤價開始觸底反彈，2016年11月突破700元/t,2017—2018年煤價一直在較高位波動，在2019年一季度經(jīng)過一波小幅上漲之后，煤價逐步走弱，12月均價為545元/t，較2018年同期回調(diào)55元/t。

基于滾動時間窗的ε-SVR算法流程

通過兩組實驗結(jié)果對比可以看出，選擇不同長度歷史數(shù)據(jù)對價格進行短期預測時各有利弊，在平均相對誤差區(qū)別不是很大的情況下，較少歷史數(shù)據(jù)的學習模型對某些時刻的預測精度會非常高，但是由于缺乏考慮較遠時刻數(shù)據(jù)的影響，對個別點預測誤差會增大；而較多歷史數(shù)據(jù)的學習模型預測精度相對集中，總體誤差率較低，但由于綜合考慮較長時期的價格變化特征，導致精度非常高的點有所減少。4.2 多期價格預測
【相似文獻】

相關(guān)期刊論文 前10條

1 葉小婷;武莎莎;;火災預警的SVR應用研究[J];測控技術(shù);2015年08期

2 劉太安;張序萍;魏光村;薛欣;;基于SVR的煤礦地下水位預測模型[J];微計算機信息;2008年16期

3 陳同俊;王新;管永偉;;基于SVR和地震屬性的構(gòu)造煤厚度定量預測[J];煤炭學報;2015年05期

4 陳炳乾;鄧喀中;范洪冬;;基于D-InSAR技術(shù)和SVR算法的開采沉陷監(jiān)測與預計[J];中國礦業(yè)大學學報;2014年05期

5 王金鳳;翟雪琪;馮立杰;;基于SVR的煤礦安全資源與安全狀態(tài)作用機理模型[J];煤礦安全;2014年06期

6 張文東;胡彧;;基于改進型主元分析和SVR的煤礦瓦斯涌出量預測[J];中北大學學報(自然科學版);2018年03期

7 王杰;;基于SVR模型的原煤生產(chǎn)成本預測[J];電子制作;2012年12期

8 周傳波;基于回歸分析理論的爆破塊度預測模型研究[J];爆破;2003年04期

9 鄧軍,陳曉坤,翟小偉,羅振敏;煤最短自然發(fā)火期灰色預測模型研究[J];西安科技大學學報;2004年04期

10 劉小生;于良;馮騰飛;;基于SVR組合模型的邊坡位移預測研究[J];金屬礦山;2018年02期

相關(guān)碩士學位論文 前3條

1 湯世祥;SVR在紅外瓦斯檢測技術(shù)中的應用研究[D];合肥工業(yè)大學;2016年

2 魏真;基于SVR的煤層頂板水害分析模型研究[D];中國礦業(yè)大學;2015年

3 王姝;基于回歸性分析的尾礦庫事故預測模型研究[D];首都經(jīng)濟貿(mào)易大學;2009年

本文編號：2874840