一种化学品未来市场基准价格预测方法与流程

1.本发明涉及化学品价格监测领域，尤其涉及一种化学品未来市场基准价格预测方法。


背景技术：

2.在生产力高速发展的背景下，一种化学品的市场价格不但受国内上下游产品价格市场影响，同时受国际化学品价格行情和同类型化学品价格行情影响。对于化学品经销商和化学品采购商来说准确的化学品未来基准价格非常重要。而同时掌握多种化学品国内行情与国际行情并对目标化学品价格未来价格进行预测对于一家化学品相关企业来说是非常困难的。


技术实现要素：

3.鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种化学品未来市场基准价格预测方法。
4.根据本发明的一个方面，提供了一种化学品未来市场基准价格预测方法包括：
5.获取待预测化学品名与相关化学品名；
6.获取所述待预测化学产品与相关化学产品市场的价格历史数据；
7.根据所述价格历史数据整理化学品价格数据格式，获得价格数据集；
8.拆分所述价格数据集为训练数据集、测试数据集和预测数据集；
9.利用偏最小二乘法建立数据预测模型，并筛选出最优预测模型；
10.利用所述最优预测模型预测化学品价格变化趋势。
11.可选的，所述获取待预测化学品名与相关化学品名具体包括：
12.获取待预测化学品名c0；
13.根据所述待预测化学品名c0选择从相关化学品库中提取相关化学品集c0＝[c1ꢀ…ꢀcd
],其中，d为相关化学品个数，取值范围为5《d《10；
[0014]
相关化学品库为通过一种基于资源语言处理的化学品竞品选择方法，选定相关化学品，包括所述待预测化学品的主要原料。
[0015]
可选的，所述根据所述价格历史数据整理化学品价格数据格式，获得价格数据集具体包括：
[0016]
根据化学品名集合c0＝[c1ꢀ…ꢀcd
]，从化学品历史市场价格数据库中提取近720天每天的平均市场平均价格x＝[x0ꢀ…ꢀ
xd]；
[0017]
其中x0是时间序列数据；
[0018]
当时间序列数据x0，开始缺失数据值时也就是x
0t
无数据时，填充之后第一次有数据的数据值；x
t b
＝x
t c
[0019]
当时间序列数据x0，中间部分数据值缺失并存在两端数值时，填充两端数据的等分序列；
[0020][0021]
当时间序列数据x0，结束缺失数据值时也就是x
0t
无数据时，填充之前第一次有数据的数据值，x
t b
＝x
t a
；
[0022]
其中t b为缺失数据时间点，t a为缺失数据时间点前第一个有数据时间点，t c为缺失数据时间点后第一个有价格数据时间点；
[0023]
获得x为720
×
(d 1)矩阵数据。
[0024]
可选的，所述化学品价格数据整理具体包括：
[0025]
以60天为时间窗口长度，将每一种化学平价格数据合并为一行数据，方法如下式：
[0026][0027]
以100天为时间窗口整理需要预测价格趋势化学品价格数据集，方法如下式子：
[0028][0029]
x1为661行60
×
(d 1)列矩阵，y1为621行100列矩阵。
[0030]
可选的，所述拆分所述价格数据集为训练数据集、测试数据集和预测数据集具体包括：
[0031]
从x1中取
[0032][0033]
x2为自变量集，大小为571行60
×
(d 1)列数据；
[0034]
从y1中取
[0035][0036]
y2为因变量集，大小为571行100列数据；
[0037]
以每4行数据，取一条数据作为验证数据的方式将x2和y2分为训练数据自变量集x
model
、训练数据因变量集y
model
和测试数据变自变量x
test
、测试数据因变量集y
test
，其中训练数据为457行数据，测试数据为114行数据；
[0038]
取x
pred
＝[x
0t 659
ꢀ…ꢀ
x
0t 719
ꢀ…ꢀ
x
dt 659
ꢀ…ꢀ
x
dt 719
]；
[0039]
x
pred
为预测未来90天价格趋势用自变量集，大小为1行60
×
d列数据。
[0040]
可选的，所述利用偏最小二乘法建立数据预测模型，并筛选出最优预测模型具体包括：
[0041]
利用偏最小二乘算法，建立多个训练数据自变量集x
model
计算训练数据因变量集y
model
的算法模型，其中设置潜变量个数为10
×
d至40
×
d；
[0042]
使用不同潜变量个数的偏最小二乘模型计算数据变自变量x
test
对应的模型预测
值y
pred
；
[0043]
利用测试数据因变量集y
test
测试模型产生的模型预测数据集y
tpred
，通过相对误差率s描述模型误差率，相对误差率s最小为最优预测模型；
[0044]
最优的预测模型对应的潜变量个数为为最优潜变量个数；
[0045]
其中，相对误差率s：
[0046][0047][0048]
其中，y为真实价格数据，y
tpred
为模型通过测试数据产生的估计值值。
[0049]
可选的，所述利用所述最优预测模型预测化学品价格变化趋势具体包括：
[0050]
根据所述最优预测模型，计算所述预测未来90天价格趋势用自变量集x
pred
对应的未来价格集y
pred
,并保存至化学品预测价格数据库。
[0051]
本发明提供的一种化学品未来市场基准价格预测方法包括：获取待预测化学品名与相关化学品名；获取所述待预测化学产品与相关化学产品市场的价格历史数据；根据所述价格历史数据整理化学品价格数据格式，获得价格数据集；拆分所述价格数据集为训练数据集、测试数据集和预测数据集；利用偏最小二乘法建立数据预测模型，并筛选出最优预测模型；利用所述最优预测模型预测化学品价格变化趋势。实现对化学品市场基准价格误差为5％的走势预测，实现对调整化学品价格对其它化学品市场基准价格的影响估计。
[0052]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
[0053]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0054]
图1为本发明提供的一种化学品未来市场基准价格预测方法的流程图；
[0055]
图2为本发明实施例1提供的一种化学品未来市场基准价格预测方法详细步骤流程图。
具体实施方式
[0056]
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0057]
本发明的说明书实施例和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。
[0058]
下面结合附图和实施例，对本发明的技术方案做进一步的详细描述。
[0059]
如图1所示，本发明提供了一种化学品未来市场基准价格预测方法包括：获取待预测化学品名与相关化学品名；获取所述待预测化学产品与相关化学产品市场的价格历史数据；根据所述价格历史数据整理化学品价格数据格式，获得价格数据集；拆分所述价格数据集为训练数据集、测试数据集和预测数据集；利用偏最小二乘法建立数据预测模型，并筛选出最优预测模型；利用所述最优预测模型预测化学品价格变化趋势。
[0060]
如图2所示，一种化学品未来市场基准价格预测方法包括：
[0061]
步骤1：获取需预测化学品名与相关化学品名；
[0062]
获取需预测化学品名c0；
[0063]
根据化学品名c0选择从相关化学品库中提取相关化学品集c0＝[c1ꢀ…ꢀcd
]，d为相关化学品个数，5《d《10；
[0064]
相关化学品库通过“一种基于资源语言处理的化学品竞品选择方法”中的方法，选定的相关化学品，与化学品主要原料组成。如化学品“改性mdi”的相关化学品为{聚合mdi,纯mdi,pop聚醚,环氧丙烷,环氧乙烷,苯胺,纯苯}。
[0065]
步骤2：获取需预测产品与相关产品市场价格历史数据；
[0066]
按照化学品名集合c1＝[c0ꢀ…ꢀcd
]，从化学品历史市场价格数据库中提取近720天每天的平均市场平均价格x＝[x0ꢀ…ꢀ
xd]；(此时x0是时间序列数据，并不一定每天都有数据，为非连续数据，需要补充缺失值)
[0067]
当时间序列数据x0，开始缺失数据值时也就是x
0t
无数据时，填充之后第一次有数据的数据值；x
t b
＝x
t c
[0068]
当时间序列数据x0，中间部分数据值缺失并存在两端数值时，填充两端数据的等分序列。
[0069]
当时间序列数据x0，结束缺失数据值时也就是x
0t
无数据时，填充之前第一次有数据的数据值；x
t b
＝x
t a
[0070]
其中t b为缺失数据时间点，t a为缺失数据时间点前第一个有数据时间点，t c为缺失数据时间点后第一个有价格数据时间点。
[0071]
最终x为720
×
(d 1)矩阵数据。
[0072]
步骤3：化学品价格数据格式整理
[0073]
以60天为时间窗口长度，将每一种化学平价格数据合并为一行数据，方法如下式：
[0074][0075]
以100天为时间窗口整理需要预测价格趋势化学品价格数据集，方法如下式子：
[0076][0077]
x1为661行60
×
(d 1)列矩阵，y1为621行100列矩阵。
[0078]
步骤4：拆分数据集为训练数据集、测试数据集和预测数据集；
[0079]
从x1中取
[0080][0081]
x2为自变量集，大小为571行60
×
(d 1)列数据；
[0082]
从y1中取
[0083][0084]
y2为因变量集，大小为571行100列数据；
[0085]
以每4行数据，取一条数据作为验证数据的方式将x2和y2分为训练数据自变量集x
model
、训练数据因变量集y
model
和测试数据变自变量x
test
、测试数据因变量集y
test
，其中训练数据为457行数据，测试数据为114行数据。
[0086]
取
[0087]
x
pred
＝[x
0t 659
ꢀ…ꢀ
x
0t 719
ꢀ…ꢀ
x
dt 659
ꢀ…ꢀ
x
dt 719
]
[0088]
x
pred
为预测未来90天价格趋势用自变量集，大小为1行60
×
d列数据。
[0089]
步骤5：利用偏最小二乘法建立数据预测模型与最优模型筛选；
[0090]
利用偏最小二乘算法，建立多个训练数据自变量集x
model
计算训练数据因变量集y
model
的算法模型，其中设置潜变量个数为10
×
d至40
×d[0091]
使用不同潜变量个数的偏最小二乘模型计算数据变自变量x
test
对应的模型预测值y
pred
；
[0092]
利用测试数据因变量集y
test
测试模型产生的模型预测数据集y
tpred
，通过相对误差率s描述模型误差率，相对误差率s最小则为最优预测模型。最优的预测模型对应的潜变量个数为为最优潜变量个数。
[0093]
其中s计算方法为：
[0094][0095][0096]
其中，y为真实价格数据，y
tpred
为模型通过测试数据产生的估计值值。
[0097]
步骤6：利用最优预测模型预测化学品价格变化趋势；
[0098]
最优模型，计算x
pred
对应的未来价格集y
pred
,并保存至化学品预测价格数据库。
[0099]
有益效果：在未发生突发时间的情况下，实现对化学品市场基准价格误差为5％的走势预测，并可实现对调整化学品价格对其它化学品市场基准价格的影响估计。
[0100]
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范
围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。