一种基于智能算法的大宗商品价格跟踪方法

1.本发明涉及物品采购技术领域，更具体地说，它涉及一种基于智能算法的大宗商品价格跟踪方法。


背景技术：

2.大宗商品价格对于宏观经济状况较为敏感,受国家经济政策影响较大，与其期货产品相比,在共同具有规避风险的作用的同时,也受到更加错杂的风险影响，以此需要收集大量的分析数据信息。采购部门一般通过市场调研、询价和招标等传统方法手段采购大宗商品，其采购价格受地区、参与人员等主观影响大。目前，缺少一种大宗商品价格跟踪方法，对大宗商品进行估计目标的真实价格。


技术实现要素：

3.本发明的目的是提供一种基于智能算法的大宗商品价格跟踪方法，采用人工智能算法，通过python爬虫技术收集各类大众商品实时价格行情，使用相关分析、主成分分析等算法消除冗余数据，最后采用神经网络、支持向量机等机器学习算法估计目标的真实价格，达到价格发现的作用。为采购部门大宗物质采购的定价提供参考依据。
4.本发明的上述技术目的是通过以下技术方案得以实现的：一种基于智能算法的大宗商品价格跟踪方法，包括如下步骤：s1:数据源获取；采用python网络爬虫技术，从各类网站自动分析获得商品的历史价格信息和实时价格信息；每次爬取数据，将每条数据与数据库现有数据进行对比，舍弃完全相同的数据，不同的数据进行新增处理，最终整理过后得到原始数据集m；
5.s2:数据整理；对现有的原始数据中存在大量关联冗余数据进行整理，首先采用相关性分析法，剔除相关度》0.8的数据，得到数据集l；然后采用主成分分析法，对数据集l进行降维处理，得到数据集n，并将数据集l、数据集n同步更新到中间数据库；
6.s3:结果预测；将数据集n作为神经网络算法的训练集，并得到训练网络nn；将中心数据库中的数据输入到训练网络中，得到预测数据集q；
7.s4:结果修正；计算预测数据集q与原始数据集m的差值的分布律f；根据分布律f的结果，将其置信区间在0.95以上的数据进行记录并绘制相应折线图。
8.综上所述，本发明具有以下有益效果：采用相关性分析法和主成分分析法，将大量关联冗余数据剔除，降低了算法复杂度，提高了发明的鲁棒性特征；采用统计学方法计算前期价格走势的分布律，利用该分布对初次价格预测结果进行修正，得到最终的大宗商品价格；本发明对螺纹钢、石油、大米等大宗商品价格进行回测仿真计算，其预测结果与实际价值结果较为接近，表明该发明技术能够为采购部门大宗物质采购的定价提供参考依据。
附图说明
9.图1是本发明基于智能算法的大宗商品价格跟踪方法主要流程图；
10.图2是本发明使用价格跟踪方法对螺纹钢价格的价格指数历史值及预测值。
具体实施方式
11.以下结合附图1-2对本发明作进一步详细说明。
12.实施例：一种基于智能算法的大宗商品价格跟踪方法，如图1、图2所示，包括如下步骤：s1:数据源获取；采用python网络爬虫技术，从各类大型财经网站自动分析获得大宗商品、国债、期货等历史和实时的价格信息；每次爬取数据，将每条数据与数据库现有数据进行对比，舍弃完全相同的数据，不同的数据进行新增处理，最终整理过后得到原始数据集m；
13.s2:数据整理；对现有的原始数据中存在大量关联冗余数据进行整理，首先采用相关性分析法，剔除相关度》0.8的数据，得到数据集l；然后采用主成分分析法，对数据集l进行降维处理，得到数据集n，并将数据集l、数据集n同步更新到中间数据库；
14.每次爬取新的数据并进行相关性分析和主成分分析后得到的新数据集，都会与之前的中心数据库逐项对比，如果出现重复数据，则会舍弃，然后将剩余数据新增进中心数据库。通过以上步骤可将大量关联冗余数据剔除，降低了算法复杂度，提高了发明的鲁棒性特征。
15.s3:结果预测；将数据集n作为神经网络算法的训练集，并得到训练网络nn；将中心数据库中的数据输入到训练网络中，得到预测数据集q；
16.s4:结果修正；计算预测数据集q与原始数据集m的差值的分布律f；根据分布律f的结果，将其置信区间在0.95以上的数据进行记录并绘制相应折线图。
17.采用统计学方法计算前期价格走势的分布律，利用该分布对初次价格预测结果进行修正，得到最终的大宗商品价格。
18.本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。


技术特征：
1.一种基于智能算法的大宗商品价格跟踪方法，其特征是：包括如下步骤：s1:数据源获取；采用python网络爬虫技术，从各类网站自动分析获得商品的历史价格信息和实时价格信息；每次爬取数据，将每条数据与数据库现有数据进行对比，舍弃完全相同的数据，不同的数据进行新增处理，最终整理过后得到原始数据集m；s2:数据整理；对现有的原始数据中存在大量关联冗余数据进行整理，首先采用相关性分析法，剔除相关度>0.8的数据，得到数据集l；然后采用主成分分析法，对数据集l进行降维处理，得到数据集n，并将数据集l、数据集n同步更新到中间数据库；s3:结果预测；将数据集n作为神经网络算法的训练集，并得到训练网络nn；将中心数据库中的数据输入到训练网络中，得到预测数据集q；s4:结果修正；计算预测数据集q与原始数据集m的差值的分布律f；根据分布律f的结果，将其置信区间在0.95以上的数据进行记录并绘制相应折线图。

技术总结
本发明公开了一种基于智能算法的大宗商品价格跟踪方法，涉及物品采购技术领域，其技术方案要点是：采用Python网络爬虫技术，从各类网站自动分析获得商品的历史价格信息和实时价格信息，最终整理过后得到原始数据集M。采用相关性分析法、主成分分析法进行数据整理，并更新到中间数据库。结果预测得到预测数据集Q，根据分布律F绘制相应折线图。采用统计学方法计算前期价格走势的分布律，利用该分布对初次价格预测结果进行修正，得到最终的大宗商品价格；对螺纹钢、石油、大米等大宗商品价格进行回测仿真计算，其预测结果与实际价值结果较为接近，为大宗物质采购的定价提供参考依据。为大宗物质采购的定价提供参考依据。为大宗物质采购的定价提供参考依据。


技术研发人员：陈姗 黄炀 翟成功 杨雨浛 王宇鹏
受保护的技术使用者：中国人民解放军陆军勤务学院
技术研发日：2022.07.28
技术公布日：2022/11/29