[发明专利]一种钼精矿中长期市场价格分析与预测方法和系统

权利要求书

1.一种钼精矿中长期市场价格分析与预测方法，其特征在于，通过对钼精矿价格时间序列的分析，挖掘钼精矿价格生成系统的特征，利用时间序列分解技术将这些特征分离，得到价格时间序列的本征模态函数，然后对本征模态函数进行预测，并对分类预测结果进行集成；

其中，所述对钼精矿价格时间序列分析的内容为钼精矿价格时间序列的平稳性、线性/非线性、复杂性，分析步骤为：

a.采用钼精矿价格时间序列图和自相关图的方法和单位根检验法来定性和定量地评判钼精矿价格时间序列的平稳性；

b.在步骤a的基础上，选择合适的AR(p)线性模型对钼精矿价格时间序列进行拟合，然后采用BDS检验法对残差的独立性进行检验，判断钼精矿价格是否由线性系统产生；

c.采用分形理论中的关联维度分析钼精矿价格时间序列的复杂性，评判钼精矿价格生成系统的复杂程度，关联维度计算方法采用G-P算法，计算步骤为：

c1.采用相关分析确定钼精矿价格时间序列的滞后期τ；

c2.以嵌入维数k对钼精矿价格时间序列x(n),n＝1,2,3,…,N，N为钼精矿价格时间序列长度，进行相空间重构，重构后的相空间相点为X_i(n)＝{x_i(n),x_i(n+τ),…,x_i(n+(k-1)τ)},i＝1,2,…,K，K为重构的相空间中的相点的总数，由公式K＝N-(m-1)τ计算得到；i表示相空间中第i个相点；

c3.给定一个邻域半径r,计算关联积分C(k,r)，计算公式如下所示，

其中，θ为函数θ(x)，

‖X_i-X_j‖为相空间相点之间的距离；

c4.分别对关联积分C(k,r)和r取对数，采用下列公式求钼精矿价格时间序列的关联维数D，

d.对步骤a,b,c的结果进行综合分析，得出钼精矿价格时间序列的本质特征和其对应的价格数据生成系统的特点；

利用时间序列分解技术分离特征是对钼精矿价格时间序列x(n)进行分解，采用的分解方式为EMD分解，具体包含的步骤为：

a.对钼精矿价格时间序列x(n)取极值点，构造上下包络线，求上下包络线的均值me；

b.将原钼精矿价格时间序列x(n)减去均值me，得到一个新的时间序列h(n)；

c.重复步骤a,b，直到时间序列h(n)满足条件过零点数目与极值点数目相等或者最大相差一个和时间序列h(n)的极大值与极小值构造的上下包络线的均值为零，记此时的时间序列h(n)为imf；

d.用钼精矿时间序列x(n)减去imf，得到新的时间序列x₁(n)；

e.将时间序列x₁(n)重复上述步骤a,b,c,d，直到不能再分解为止，由此得到钼精矿所有的本征模态函数imf和一个残差函数res；

所述对本征模态函数进行预测，并对分类预测结果进行集成是结合分析与分解结果，构建分类预测模型对分解得到的本征模态函数imf进行预测，然后对分类预测结果进行集成，具体步骤为：

a.根据对钼精矿价格时间序列生成系统的评判结果的分析，将分解得到的本征模态函数imf和残差res按照其时序图分为两类，一类为简单的平稳时间序列，另一类为复杂的平稳非线性时间序列；

b.将步骤a得到的两类数据进行划分，分别构建训练集x(t)、y(t)和预测集x₁(t₁)、y₁(t₁)，两类数据的预测步长一致；

c.对简单的平稳时间序列成分，分别构建ARMA(p,q)模型进行预测，其选用的p值与q值根据各时间序列的自相关和偏相关图进行确定，其预测步骤具体为：

c1.使用数据集x(t)确定ARMA(p,q)模型的参数p,q的值；

c2.构建ARMA(p,q)模型，估计模型中的未知参数；

c3.检验ARMA(p,q)模型的有效性，如果未通过，则返回步骤b2；

c4.对ARMA(p,q)模型进行测试，并构造多个拟合模型，从中选出最优的模型；

d.对复杂的平稳非线性时间序列成分，分别构建LSTM深度神经网络进行预测，LSTM深度神经网络的预测步骤具体为：

d1.根据训练集的输入序列构造网络输入的LSTM单元数目，同时确定输出数目；

d2.构造LSTM深度神经网络模型，并采用训练集y(t)对网络进行训练；

d3.采用测试集y₁(t₁)对训练好的LSTM神经网络进行测试，并根据测试结果对预测模型进行优化，直到达到较高的预测精度为止；

e.对步骤c,d的预测结果采用三层的BP神经网络进行集成，其具体步骤如下所示：

e1.将钼精矿价格时间序列x(n)，按照c,d步骤中的预测步长划分为训练集和测试集；

e2.将c,d步骤中的预测结果作为BP神经网络的输入值，钼精矿价格时间序列划分得到的训练集作为输出值，对BP神经网络进行训练；

e3.使用训练好的BP神经网络对c,d步骤中的测试集预测结果进行集成，并将集成得到的序列作为最终的预测结果，将其与钼精矿价格时间序列的测试集进行比较。