基于混合学习模型的矿山经济评价原材料价格预测方法

技术特征：
1.一种基于混合学习模型的矿山经济评价原材料价格预测方法，其特征在于，基于变分模态分解模型及神经网络模型建立矿山经济评价原材料价格预测模型；采用变分模态分解模型将历史原材料价格时序数据分解为若干个imf历史分量；将imf历史分量作为训练样本对神经网络模型进行训练；采用变分模态分解模型将当前原材料价格时序数据分解为若干个imf当前分量；将imf当前分量输入至训练完成的神经网络模型，由神经网络模型得到对应各imf当前分量的未来价格预测结果，将各imf当前分量的未来价格预测结果求和，得到最终原材料未来价格预测结果。2.根据权利要求1所述的基于混合学习模型的矿山经济评价原材料价格预测方法，其特征在于，采用变分模态分解模型将历史原材料价格时序数据分解为k个本征模态函数，这些本征模态函数分别显示原材料价格时序数据的不同频率及与频率对应的时间段的特征；变分模态分解模型中的k的取值为使分量的中心频率相对接近的值。3.根据权利要求2所述的基于混合学习模型的矿山经济评价原材料价格预测方法，其特征在于，k值从3依次增加到8。4.根据权利要求2所述的基于混合学习模型的矿山经济评价原材料价格预测方法，其特征在于，当分量的中心频率接近个数≥2个时，k值取上一次确定的k值。5.根据权利要求2所述的基于混合学习模型的矿山经济评价原材料价格预测方法，其特征在于，变分模态分解模型中的带宽限制取值，为使迭代搜寻变分模态分解模型最优解时间最短的值。6.根据权利要求5所述的基于混合学习模型的矿山经济评价原材料价格预测方法，其特征在于，带宽限制取值从300逐步到1500。7.根据权利要求2所述的基于混合学习模型的矿山经济评价原材料价格预测方法，其特征在于，变分模态分解模型中，参数噪声容限取值0，直流分量取值0，初始化中心频率取值1，判别精度取值1
×
10-7
。8.根据权利要求2所述的基于混合学习模型的矿山经济评价原材料价格预测方法，其特征在于，采用变分模态分解模型将原材料价格时序数据分解为k个本征模态函数的方法包括如下步骤：s1:设u
k
是原始信号f的第k个模态序列，设u
k
(t)是原始信号f(t)的第k个模态函数，δ(t)是狄拉克分布函数；通过希尔伯特变换计算u
k
(t)，则u
k
(t)的单边频谱表示为：s2:在模式的分辨信号中添加一个预估的中心频率，该模式的频率调制到相应的基带：s3:计算模态函数u
k
(t)的带宽，约束优化问题表示为：其中公式(3)的约束为：
s4:使用拉格朗日函数λ(t)和二次惩罚因子α求解约束问题的最优解，将约束优化问题转化为无约束优化问题；使用乘法算子交替方向法，在两个方向上交替更新λ
n 1
直到满足以下迭代条件：其中ε>0，λ
n 1
表示为：表示为：表示为：式中：τ是更新的噪声参数；n为执行周期；i为求和的数列的序号；k为vmd分解所得的模态序列的序号；ω为vmd分解所得模态序列的中心频率；u
k
为vmd分解所得的第k个模态序列；ω
k
为第k个模态序列的中心频率；λ为拉格朗日函数；ε为判别精度；λ(t)为变量t的拉格朗日函数；为第n 1个执行周期的第k个模态序列；为第n 1个执行周期的第k个模态序列的中心频率；为第n 1个执行周期的拉格朗日函数；
为第n 1个执行周期的第k个模态序列的预估值；为第n个执行周期的第k个模态序列的预估值；为第n个执行周期的中心频率ω的拉格朗日函数的预估值；为第n 1个执行周期的中心频率ω的拉格朗日函数的预估值；为中心频率为ω的原始序列函数的预估值；为中心频率为ω的第n个执行周期的第k个模态序列的预估值；为中心频率为ω的第n 1个执行周期的第k个模态序列的预估值；为第n个执行周期的第k个模态序列的中心频率；为第n 1个执行周期的第k个模态序列的中心频率。9.根据权利要求1所述的基于混合学习模型的矿山经济评价原材料价格预测方法，其特征在于，神经网络模型基于长短期记忆神经网络建立。10.根据权利要求1所述的基于混合学习模型的矿山经济评价原材料价格预测方法，其特征在于，通过实验评估及验证矿山经济评价原材料价格预测模型的预测效果。

技术总结
本发明公开了一种基于混合学习模型的矿山经济评价原材料价格预测方法，基于变分模态分解模型及神经网络模型建立矿山经济评价原材料价格预测模型；采用变分模态分解模型将历史原材料价格时序数据分解为若干个IMF历史分量；将IMF历史分量作为训练样本对神经网络模型进行训练；采用变分模态分解模型将当前原材料价格时序数据分解为若干个IMF当前分量；将IMF当前分量输入至训练完成的神经网络模型，由神经网络模型得到对应各IMF当前分量的未来价格预测结果，将各IMF当前分量的未来价格预测结果求和，得到最终原材料未来价格预测结果。本发明可以对不平稳、波动大、变化快的原材料价格进行准确及快速的预测。料价格进行准确及快速的预测。料价格进行准确及快速的预测。


技术研发人员：许林英 张新宇
受保护的技术使用者：天津大学
技术研发日：2022.11.16
技术公布日：2023/3/10