化工產(chǎn)品價格預(yù)測和管理系統(tǒng)的開發(fā)

化工產(chǎn)品價格預(yù)測和管理系統(tǒng)的開發(fā)PAGE 化工產(chǎn)品價格預(yù)測和管理系統(tǒng)的開發(fā)申請上海交通大學(xué)工程碩士學(xué)位論文化工產(chǎn)品價格預(yù)測和管理系統(tǒng)的開發(fā)學(xué)校代碼：10248作者姓名：劉德順學(xué)號：1070372116第一導(dǎo)師：沈備軍第二導(dǎo)師：學(xué)科專業(yè)：軟件工程答辯日期：年月日上海交通大學(xué)軟件學(xué)院2010年2月

ADissertationSubmittedtoShanghaiforMasterDegreeofEngineeringDEVELOPMENTOFCHEMICALPRODUCTPRICEFORECASTINGANDMANAGEMENTSYSTEMUniversityCode：10248Author：DeshunLiuMentor1：BeijunMentor2:Field：SoftwareEngineeringDateofOralDefense：SchoolShanghaiFeb.，2010上海交通大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下，獨立進(jìn)行研究工作所取得的成果。除文中已經(jīng)注明引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫過的作品成果。對本文的研究做出重要貢獻(xiàn)的個人和集體，均已在文中以明確方式標(biāo)明。本人完全意識到本聲明的法律結(jié)果由本人承擔(dān)。學(xué)位論文作者簽名：日期：年月日

上海交通大學(xué)學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)上海交通大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。 保密□，在年解密后適用本授權(quán)書。本學(xué)位論文屬于 不保密。（請在以上方框內(nèi)打“√”）學(xué)位論文作者簽名：指導(dǎo)教師簽名：日期：年月日日期：年月日PAGEVI 化工產(chǎn)品價格預(yù)測和管理系統(tǒng)的開發(fā)摘要隨著全球經(jīng)濟(jì)一體化進(jìn)程的加快，化工產(chǎn)品市場競爭變得更加激烈，化工產(chǎn)品定價工作也隨之變得越來越復(fù)雜。為了在激烈的市場競爭中，增強(qiáng)對市場的應(yīng)變能力，把握未來市場的風(fēng)險與機(jī)遇，對產(chǎn)品進(jìn)行合理定價，為企業(yè)增加效益，也變得越來越重要。為此，如何通過價格管理信息化建設(shè)，強(qiáng)化價格管理人員對有關(guān)市場價格信息了解、分析、預(yù)測的手段，提高對市場價格發(fā)展趨勢判斷的準(zhǔn)確性，從而更好地服務(wù)于定價工作，就變得極為迫切?？v觀國際市場中始終處于競爭優(yōu)勢地位的企業(yè)，都非常重視市場信息資源的開發(fā)和利用，都與企業(yè)信息化的迅速發(fā)展緊密相連。因此，根據(jù)企業(yè)所擁有化工產(chǎn)品的市場營銷特點，開發(fā)一個化工產(chǎn)品價格預(yù)測和管理系統(tǒng)，提高價格預(yù)測和管理工作效率，有效管理化工產(chǎn)品定價工作，就顯得尤為重要。在本文中，首先通過對各類價格預(yù)測技術(shù)的優(yōu)缺點分析和各具體預(yù)測實驗，篩選出了合適的化工產(chǎn)品價格預(yù)測技術(shù)。原油是石化產(chǎn)品的根基，因此，一切產(chǎn)品價格看原油。但相對石化產(chǎn)品價格而言，原油價格目前以致未來更多的賦予其金融產(chǎn)品的屬性，而石腦油價格變化特征在石化產(chǎn)品中具有代表性。因此本文針對原油期貨和石腦油的短期和長期的價格預(yù)測進(jìn)行研究。通過多個實驗分析，發(fā)現(xiàn)，溫特斯模型和BP神經(jīng)網(wǎng)絡(luò)模型分別是原油期貨和石腦油的較精確價格預(yù)測模型。在此基礎(chǔ)上，本文從目標(biāo)、業(yè)務(wù)流程、功能需求和非功能需求等方面對該化工產(chǎn)品價格預(yù)測和管理系統(tǒng)進(jìn)行需求分析，系統(tǒng)由產(chǎn)品定價、國際價格錄入、國內(nèi)價格錄入、價格數(shù)據(jù)倉庫、查詢統(tǒng)計分析、價格KPI制定、價格預(yù)警、價格預(yù)測等八個子系統(tǒng)組成，并能和原有化工與銷售管理信息系統(tǒng)無縫集成。接著根據(jù)確定的需求，提出了設(shè)計原則，選定了系統(tǒng)開發(fā)和運(yùn)行的工具和技術(shù)平臺，并依照系統(tǒng)的解耦原則和MVC(Model-View-Control)設(shè)計模式將整個系統(tǒng)的邏輯體系結(jié)構(gòu)劃分為三層：信息表示層、應(yīng)用業(yè)務(wù)層、數(shù)據(jù)存儲層。然后，本文對系統(tǒng)的部署視圖和數(shù)據(jù)視圖進(jìn)行了詳細(xì)設(shè)計。最后，系統(tǒng)基于.Net技術(shù)進(jìn)行了實現(xiàn)，并成功通過了功能測試、性能測試和用戶界面等測試。目前，化工產(chǎn)品價格預(yù)測和管理系統(tǒng)已在中國石油天然氣股份有限公司化工產(chǎn)品價格管理工作中進(jìn)行實際運(yùn)行。實踐表明，該系統(tǒng)能有效提高了價格管理工作效率，提高了對市場價格發(fā)展趨勢判斷的準(zhǔn)確性，為化工產(chǎn)品價值和效益的增加起到了重要作用，達(dá)到了預(yù)期的目標(biāo)和需求。本文工作也促使中國石油化工產(chǎn)品價格管理信息化建設(shè)邁上新臺階。關(guān)鍵詞價格，管理，系統(tǒng)，開發(fā)，應(yīng)用

DEVELOPMENTOFCHEMICALPRODUCTPRICEFORECASTINGANDMANAGEMENTSYSTEMABSTRACTWiththeaccelerationofglobaleconomicintegrationprocess,chemicalproductmarketcompetitionbecomesmoreintense,andchemicalproductspricingpracticesarebecomingincreasinglycomplex.Inthefiercemarketcompetition,inordertoenhancetheresiliencetothemarketandcopewiththerisksandopportunitiesforfuturemarket,ithasalsobecomeincreasinglyimportantfortheenterprisestomakereasonablepricingforitsproductsandtoincreaseefficiency.Therefore,itisurgentlyneededtobuildupapricemanagementinformationsystem,soastostrengthenpricemanagementpersonneltounderstand,analyzeandforecasttherelevantmarketpriceinformation,andenhancetheaccuracyofestimatingthechangetrendofthemarketpricestobetterservetheworkonpricing.Intheinternationalmarket,alltheenterpriseswithcompetitiveadvantagesattachgreatimportancetothedevelopmentandutilizationofmarketinformationresources,andtheirdevelopmentiscloselylinkedwiththerapiddevelopmentofinformationtechnology.Thus,ithasbecomeparticularlyimportanttodevelopachemicalpriceforecastingandmanagementsystembasedonthemarketingcharacteristicsofthechemicalproductsofthecompany.Itcannotonlyworkoutthemarketpriceinformationdata,butalsoimprovetheefficiencyofpriceforecastingandmanagement,andeffectivelymanagechemicalproductspricing.Inthispaper,weselectasuitablechemicalpriceforecastingtechnologythroughtheanalysisofadvantagesanddisadvantagesofvarioustypesofpriceforecastingtechniquesandspecificpredictionexperiments.Crudeoilisthefoundationofpetrochemicalproductsandthepricesforallproductsaredeterminedbyit.Butatpresentorinthelongrunthecrudeoilismoregivenapropertyoffinancialproduct,thereforewhenitcomestothepricesofpetrochemicalproducts,thepricesofnaphthaaremoredirectional.Therefore,thispapertakesthestudyspecificallyontheforecastingofshort-termandlong-termpriceofcrudeoilfuturesandnaphtha.Throughanalysisofseveralexperiments,wefindthatWintersmodelandBPneuralnetworkmodelaremoreaccurateforpriceforecastingofcrudeoilfuturesandnaphtha.Basedonaboveresearches,thispapertakestherequirementanalysisofthischemicalproductspriceforecastingandmanagementsystemintermsofobjectives,businessprocesses,functionalrequirementsandnon-functionalrequirements.Thesystemisconsistedofeightsubsystems,suchasproductpricing,internationalanddomesticpricesinput,pricedatabase,inquirystatisticalanalysis,pricinginaccordancewithKPI,pricealert,priceforecast.Andthissystemcanalsobeseamlesslyintegratedwithlegacychemicalandmarketingmanagementinformationsystem.Thenweproposedesignprinciplesaccordingtoidentifiedrequirements,andselectthetoolandtechnologyplatformforthesystemdevelopmentandoperation.WedividethelogicarchitectureofthewholesystemintothreelayersinaccordancewiththedecouplingprincipleandtheMVC(Model-View-Control)designpattern:informationpresentationlayer,businessapplicationlayer,anddatastoragelayer.Subsequently,weconductadetaileddesignofthesystem’sDeploymentviewanddataview.Finally,technology,andpassesthefunctionaltesting,performancetestinganduserinterfacetesting.Atpresent,thechemicalproductpriceforecastingandmanagementsystemisinactualactioninthemanagementofchemicalproductpriceinPetroChinaCompanyLimited.Practicehasprovedthatthissystemcannotonlyimprovetheefficiencyofpricemanagement,butalsoimprovetheaccuracyoftheestimationofthedevelopmenttrendofthemarketprices.Thesystem,whichhasachievedtheexpectedgoalsandrequirements,alsoplaysanimportantroleinpromotingthevalueandprofitsofchemicalproducts.ThisworkalsofacilitatesPetroChina’sinformatizationofchemicalproductspricemanagementtoanewhigherlevel.Keywordsprice,management,system，develop，application

目錄1緒論 11.1 研究背景 11.2 研究意義 21.3 研究目標(biāo)和內(nèi)容 41.4 論文結(jié)構(gòu) 42相關(guān)技術(shù)綜述 62.1 傳統(tǒng)統(tǒng)計預(yù)測技術(shù) 62.1.1 趨勢外推法 62.1.2 平滑預(yù)測法 72.1.3 Box-Jenkins模型 92.1.4 季節(jié)調(diào)整 102.2 機(jī)器學(xué)習(xí) 102.2.1 BP神經(jīng)網(wǎng)絡(luò) 112.2.2 Elman神經(jīng)網(wǎng)絡(luò) 132.2.3 RBF神經(jīng)網(wǎng)絡(luò) 142.2.4 灰色模型 163化工產(chǎn)品價格預(yù)測技術(shù)的研究 173.1 預(yù)測模型的選擇 173.1.1 指數(shù)平滑模型 173.1.2 BP神經(jīng)網(wǎng)絡(luò)模型 173.2 短期預(yù)測的實驗和分析 183.2.1 指數(shù)平滑模型的短期預(yù)測 193.2.2 BP神經(jīng)網(wǎng)絡(luò)模型的短期預(yù)測 263.3 長期預(yù)測的實驗和分析 333.3.1 指數(shù)平滑模型的長期預(yù)測 333.3.2 BP神經(jīng)網(wǎng)絡(luò)模型的長期預(yù)測 373.4 討論和結(jié)論 424化工產(chǎn)品價格預(yù)測和管理系統(tǒng)設(shè)計與測試 434.1 系統(tǒng)需求分析 434.1.1 系統(tǒng)開發(fā)的目的 434.1.2 業(yè)務(wù)處理流程分析 444.1.3 系統(tǒng)的功能需求 444.1.4 系統(tǒng)的非功能需求 464.2 系統(tǒng)架構(gòu)設(shè)計 484.2.1 設(shè)計原則 484.2.2 開發(fā)和運(yùn)行環(huán)境選型 484.2.3 系統(tǒng)頁面流圖設(shè)計 484.2.4 系統(tǒng)三層結(jié)構(gòu)設(shè)計 494.2.5 系統(tǒng)部署視圖設(shè)計 514.2.6 數(shù)據(jù)庫設(shè)計 524.2.7 與現(xiàn)有系統(tǒng)的集成 564.3 系統(tǒng)測試和試運(yùn)行 574.3.1 系統(tǒng)的測試 574.3.2 系統(tǒng)的試運(yùn)行及評價 625總結(jié)與展望 645.1 本文工作總結(jié) 645.2 展望 65參考文獻(xiàn) 66致謝 68攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文 69 化工產(chǎn)品價格預(yù)測和管理系統(tǒng)的開發(fā) PAGE71

緒論研究背景隨著全球經(jīng)濟(jì)一體化進(jìn)程的加快，國內(nèi)外煉化企業(yè)石油化工產(chǎn)品市場競爭愈發(fā)激烈，要想在激烈的市場競爭中立于不敗之地，尋求持續(xù)、穩(wěn)定、健康發(fā)展，就必須增強(qiáng)對瞬息萬變的市場的應(yīng)變能力，洞悉行業(yè)發(fā)展的趨勢及未來將面臨的市場風(fēng)險與機(jī)遇。為此，國內(nèi)外煉化企業(yè)加快了企業(yè)信息化建設(shè)，以提高企業(yè)在市場營銷中的競爭力。從二十世紀(jì)開始，現(xiàn)代信息技術(shù)已經(jīng)在美國企業(yè)得到廣泛使用[1]。在企業(yè)信息化系統(tǒng)集成方面，美國企業(yè)最早進(jìn)行了開拓性的嘗試。辦公自動化（OA）的概念最早起源于美國，此外，美國政府還積極支持電子商務(wù)的發(fā)展。電子商務(wù)的發(fā)展給美國帶來了巨大的經(jīng)濟(jì)效益和社會效益。根據(jù)美國克利夫蘭咨詢公司的調(diào)查[1]，日本800人以上的工業(yè)企業(yè)都擁有信息處理中心與信息庫，日本97％的企業(yè)進(jìn)行市場預(yù)測與中長期規(guī)劃，55％的大企業(yè)擁有海外情報機(jī)構(gòu)，其中三井物產(chǎn)公司的信息情報系統(tǒng)的規(guī)模與效率接近美國中央情報局。從使用互聯(lián)網(wǎng)的情況看，1997年日本有33.6％的企業(yè)使用了互聯(lián)網(wǎng)技術(shù)，1998年上升到69.9％。日本企業(yè)能夠在多變的國際市場中始終處于競爭的優(yōu)勢地位，并迅速發(fā)展起來，與日本企業(yè)重視信息資源的開發(fā)和利用，企業(yè)信息化的迅速發(fā)展是分不開的。在企業(yè)信息化的道路上，中國許多企業(yè)借鑒了國外企業(yè)的道路[1]，即從辦公自動化（OA）到企業(yè)信息系統(tǒng)（MIS），然后再到企業(yè)資源計劃（ERP），最后再到電子商務(wù)（EB）。目前我國實施ERP系統(tǒng)的大多數(shù)企業(yè)為國外跨國公司在華的獨資或合資公司。這表明ERP在西方發(fā)達(dá)國家的應(yīng)用雖然已經(jīng)相當(dāng)廣泛，而在我國的應(yīng)用尚處于起步階段。中國石油近幾年加大了信息化建設(shè)的力度和速度，尤其是在化工產(chǎn)品銷售業(yè)務(wù)領(lǐng)域，基本業(yè)務(wù)都實現(xiàn)了信息化（2000年建立中國石油化工與銷售管理信息系統(tǒng)，2007年6月ERP在化工產(chǎn)品銷售業(yè)務(wù)全面上線運(yùn)行），并且積累了大量銷售化工產(chǎn)品和相關(guān)產(chǎn)品市場的價格信息，因此對積累的信息進(jìn)行整理、統(tǒng)計、分析，建立化工產(chǎn)品價格管理信息系統(tǒng)，在數(shù)據(jù)倉庫基礎(chǔ)上，利用數(shù)據(jù)抽取、數(shù)據(jù)挖掘等方法，從過去的數(shù)據(jù)中總結(jié)出經(jīng)驗和方法，并在此基礎(chǔ)上預(yù)測未來價格發(fā)展趨勢，以此作為制定銷售產(chǎn)品價格及定價策略的一個重要的依據(jù)，對提高化工產(chǎn)品銷售業(yè)務(wù)的管理水平和盈利能力，都具有非常重要的意義。化工產(chǎn)品定價管理工作比較繁瑣耗時。價格管理人員經(jīng)價格測算、審批、拆分文件、傳真給有關(guān)單位，每次定價都需要6-7個小時左右，尤其是拆分文件與傳真下發(fā)，相當(dāng)費時。目前我公司有幾十種化工產(chǎn)品，幾百個牌號，都需要按八個生產(chǎn)單位、六個銷售單位進(jìn)行價格文件制表，每次下發(fā)文件都要進(jìn)行大量的數(shù)據(jù)錄入工作，而且為了緊跟市場進(jìn)行價格調(diào)整，經(jīng)常需要縮短定價周期，因此頻繁制作、下發(fā)價格文件將耗去價格管理人員的大部分時間，經(jīng)常需要加班加點地工作。另外，市場價格信息的溝通主要通過電話和傳真的方式進(jìn)行，不利于價格信息歷史數(shù)據(jù)的累積，更談不上對其進(jìn)行挖掘，價格管理人員只能應(yīng)付日常的定價及文件的下發(fā)工作。為了改變這種現(xiàn)狀，使價格管理人員把日常工作中大量時間和精力投入到對市場價格信息的研究、分析、預(yù)測工作中，提高價格管理工作水平，提高價格文件制作與下發(fā)工作的效率，公司決定應(yīng)用先進(jìn)的信息技術(shù)、網(wǎng)絡(luò)技術(shù)開發(fā)化工產(chǎn)品價格預(yù)測和管理系統(tǒng)，進(jìn)一步提升化工產(chǎn)品價格管理信息化建設(shè)工作水平。研究意義化工產(chǎn)品市場營銷完全遵循全球化、市場化的原則，其價格完全由市場供求關(guān)系決定，而化工產(chǎn)品種類繁多，每一種類又分為大量用途差異化的牌號，從基本有機(jī)化工產(chǎn)品到最終消費品價值鏈冗長且復(fù)雜，每一個環(huán)節(jié)發(fā)生供求關(guān)系的變化都會影響到其上下游及相關(guān)化工產(chǎn)品的價格，因而影響定價的因素是相當(dāng)復(fù)雜的。價格的重要性和定價所具有的買賣雙方雙向決策的特征，都使定價策略成為市場營銷組合中最難確定的一部分[2]。因此，及時掌握某一價值鏈中某一環(huán)節(jié)供求關(guān)系的變化及可能引起這些變化的市場信息，對預(yù)測相關(guān)化工產(chǎn)品的價格發(fā)展趨勢就顯得非常重要。如何減少定價管理人員日常繁瑣的程序化工作，提高價格信息管理工作效率，使價格管理人員把更多的時間、精力投入到對化工產(chǎn)品及與其相關(guān)的市場信息的了解、分析、預(yù)測上，成為化工產(chǎn)品價格預(yù)測和管理系統(tǒng)開發(fā)的主要目的。隨著中國加入WTO，全球經(jīng)濟(jì)一體化進(jìn)程的加快，中國不僅加快了改革開放的步伐，而且很快成為世界合成橡膠、合成纖維、合成塑料等大宗石化產(chǎn)品的生產(chǎn)及其制品加工制作的中心，使得與其相關(guān)的石化產(chǎn)品市場競爭激烈，價格波動頻繁。也使得中國成為鞋帽、服裝等紡織品，輪胎等橡膠制品，與塑料有關(guān)的家電等電氣產(chǎn)品的世界貿(mào)易主要出口國。為了應(yīng)對加入WTO后市場經(jīng)濟(jì)環(huán)境，提高市場競爭力，中國石油從2000年開始優(yōu)化企業(yè)治理結(jié)構(gòu)，使化工產(chǎn)品市場營銷朝著扁平化、專業(yè)化的高效管理結(jié)構(gòu)發(fā)展，精簡機(jī)構(gòu)與人員。眾所周知，影響企業(yè)利潤的三要素[3]為:銷量、價格與成本。即：利潤=銷量×價格－成本。在此關(guān)系式中，價格與銷量和成本一樣是企業(yè)管理的重要工作，尤其價格有著極強(qiáng)的杠桿作用，是調(diào)解量價優(yōu)化配合的重要手段。價格往往是企業(yè)和顧客關(guān)系緊張的關(guān)鍵，是競爭者奪取市場份額的武器[3]，也是公司內(nèi)部生產(chǎn)企業(yè)與銷售企業(yè)矛盾的根源。在完全競爭環(huán)境下的化工產(chǎn)品市場營銷中，很多企業(yè)都放棄了定價的主動性，他們要么“讓市場決定價格”，要么認(rèn)為“應(yīng)該和競爭者價格保持一致”。在完全市場化競爭中，客戶與競爭者都處在一個相當(dāng)復(fù)雜的營銷環(huán)境中，在這樣的環(huán)境中，如果對定價復(fù)雜性缺乏了解而“想當(dāng)然”的草率定價，無疑將對企業(yè)經(jīng)營狀況造成嚴(yán)重的影響。而聰明的定價者不會讓“市場”或“競爭對手”來決定價格，而是針對特定的供求關(guān)系，通過服務(wù)和說明以及具有競爭力的產(chǎn)品與價格，為產(chǎn)品創(chuàng)造價值，充分發(fā)揮價格杠桿作用，實現(xiàn)優(yōu)化的量價配合，既要著眼于目前市場，更要著眼于未來市場的發(fā)展。然而，正確的定價是相當(dāng)復(fù)雜的，但也是可以進(jìn)行有效管理的。價格管理的復(fù)雜性主要體現(xiàn)在兩個方面[3]，即相互依存性和信息。相互依存性表現(xiàn)在產(chǎn)品的相互依存和市場的相互依存兩個方面。產(chǎn)品的相互依存是指產(chǎn)品的替代與互補(bǔ)，這種產(chǎn)品之間的關(guān)聯(lián)性隨著技術(shù)的創(chuàng)新與進(jìn)步變得越發(fā)復(fù)雜；市場的相互依存是指不同地區(qū)、國家隨著全球經(jīng)濟(jì)一體化發(fā)展，其產(chǎn)品標(biāo)準(zhǔn)趨于統(tǒng)一，并隨著市場對全球資源的優(yōu)化配置，各區(qū)域的協(xié)同性增強(qiáng)，從工業(yè)品生產(chǎn)到消費品消耗，其過程中各環(huán)節(jié)在世界范圍內(nèi)協(xié)作的復(fù)雜性增強(qiáng)。定價復(fù)雜性的另一重要原因就是信息。隨著信息時代的來臨，信息的傳遞更加通暢了，信息技術(shù)方便了價格信息在全球范圍內(nèi)的傳遞，也方便了人們對有關(guān)價格信息的跟蹤，這就需要人們對不同區(qū)域、國家進(jìn)行協(xié)調(diào)定價。相互依存性和信息這兩個因素增加了價格管理工作的復(fù)雜性，價格管理人員不僅要管理好這兩個因素，而且還要對其進(jìn)行深層次的挖掘分析，并預(yù)測相關(guān)產(chǎn)品未來價格的走勢，從而正確定價，既要抓住未來市場機(jī)遇，又要規(guī)避未來市場的風(fēng)險，甚或要思考相關(guān)產(chǎn)業(yè)可能的演變趨勢，以便做好調(diào)整產(chǎn)品結(jié)構(gòu)的準(zhǔn)備工作。價格決策是一種藝術(shù)，為了做出有效的價格決策，決策者必須綜合考慮各種影響定價的因素。但是，有效的定價策略往往是相當(dāng)復(fù)雜的，而且涉及的范圍遠(yuǎn)遠(yuǎn)超出價格手段本身[4]。為此，在公司高效管理結(jié)構(gòu)基礎(chǔ)上，面對精簡機(jī)構(gòu)與人員的實際情況，強(qiáng)化價格管理人員的管理手段，提高價格管理工作的效能就成為很緊迫的現(xiàn)實問題。化工產(chǎn)品價格預(yù)測和管理系統(tǒng)的開發(fā)是提高定價管理水平，實現(xiàn)市場價格信息數(shù)據(jù)挖掘，提高價格預(yù)測和管理工作效率的有效手段。隨著公司石化產(chǎn)品業(yè)務(wù)的發(fā)展壯大，對保證有效管理石化產(chǎn)品定價工作也顯得十分重要。研究目標(biāo)和內(nèi)容本文的研究目標(biāo)是設(shè)計和實現(xiàn)一個化工產(chǎn)品價格預(yù)測和管理系統(tǒng)，該系統(tǒng)應(yīng)具有以下特性：規(guī)范化工產(chǎn)品定價標(biāo)準(zhǔn)，實現(xiàn)定價過程標(biāo)準(zhǔn)化，并把價格信息及時準(zhǔn)確寫入建立的化工產(chǎn)品價格數(shù)據(jù)庫中；對化工產(chǎn)品價格進(jìn)行統(tǒng)計分析，及時查詢和實行化工產(chǎn)品價格的監(jiān)督功能；建立價格預(yù)警功能，監(jiān)控和報告非常規(guī)價格情況；建立價格預(yù)測模型，為化工產(chǎn)品定價提供依據(jù)；對價格文件等關(guān)鍵數(shù)據(jù)使用電子印章和數(shù)字證書等技術(shù)，以增加文件的保密性和安全性；增加審批流程，對需要下發(fā)的文件，實行先審核后下發(fā)；加強(qiáng)數(shù)據(jù)共享度。通過規(guī)范化工產(chǎn)品價格管理業(yè)務(wù)流程，利用軟件工程技術(shù)實現(xiàn)化工產(chǎn)品價格管理信息化，提高化工產(chǎn)品價格管理工作的質(zhì)量與效率，強(qiáng)化價格管理人員對有關(guān)市場價格信息了解、分析、預(yù)測的手段，提高對市場價格發(fā)展趨勢判斷的準(zhǔn)確性，從而更好地服務(wù)于定價及營銷策略的制定。本文的研究內(nèi)容包括：調(diào)研系統(tǒng)的需求；研究價格預(yù)警模型；研究價格預(yù)測模型；設(shè)計系統(tǒng)的架構(gòu)；開發(fā)和測試系統(tǒng)；部署和運(yùn)行系統(tǒng)。論文結(jié)構(gòu)全文共由5章組成。第一章簡要介紹本文的研究背景、研究目標(biāo)、研究內(nèi)容和組織結(jié)構(gòu)。第二章綜述價格預(yù)測技術(shù)。本章概述價格預(yù)測技術(shù)的分類及各類預(yù)測技術(shù)的原理，并通過對各類價格預(yù)測技術(shù)優(yōu)缺點的分析，提出化工產(chǎn)品價格預(yù)測技術(shù)研究實驗所要應(yīng)用的價格預(yù)測技術(shù)。第三章深入研究化工產(chǎn)品價格預(yù)測技術(shù)。本章重點通過對原油期貨和石腦油價格預(yù)測實驗分析，篩選出適合原油、石腦油價格預(yù)測的技術(shù)。第四章詳細(xì)闡述化工產(chǎn)品價格預(yù)測和管理系統(tǒng)的需求分析、設(shè)計、測試和試運(yùn)行。第五章在論文最后，對全文進(jìn)行總結(jié)，對化工產(chǎn)品價格預(yù)測和管理系統(tǒng)的應(yīng)用效果情況進(jìn)行分析，并提出進(jìn)一步完善該系統(tǒng)的建議。

相關(guān)技術(shù)綜述當(dāng)代價格預(yù)測技術(shù)起源于20世紀(jì)初，隨著綜合指數(shù)法、趨勢外推法等方法的出現(xiàn)與應(yīng)用，價格預(yù)測技術(shù)得到了重視，吸引了不少專家投入到這一領(lǐng)域之中。目前，價格預(yù)測技術(shù)已經(jīng)有了完善的理論體系和大量的預(yù)測模型，并被廣泛運(yùn)用，對企業(yè)和機(jī)構(gòu)做出科學(xué)決策有著重大的意義。從預(yù)測的時間范圍劃分，價格預(yù)測可以分為短期預(yù)測、中期預(yù)測和長期預(yù)測。一般來講，短期預(yù)測是指以天為周期的預(yù)測，中期預(yù)測指以星期為周期的預(yù)測，而長期預(yù)測則是以月份甚至是年為周期的預(yù)測?？偟膩碚f，預(yù)測精度隨著預(yù)測周期的延長而下降[5]。從預(yù)測的技術(shù)劃分，價格預(yù)測技術(shù)又可以分為傳統(tǒng)統(tǒng)計預(yù)測和機(jī)器學(xué)習(xí)兩大類。傳統(tǒng)統(tǒng)計預(yù)測技術(shù)統(tǒng)計預(yù)測技術(shù)可分為定性預(yù)測和定量預(yù)測兩類。1)定性預(yù)測依靠熟悉業(yè)務(wù)知識、具有豐富經(jīng)驗和綜合分析能力的人員與專家，運(yùn)用個人的經(jīng)驗和分析判斷能力進(jìn)行預(yù)測[6]。2)定量預(yù)測則利用歷史數(shù)據(jù)，建立數(shù)學(xué)模型，對價格進(jìn)行預(yù)測。由于定量預(yù)測建立在大量歷史統(tǒng)計數(shù)據(jù)上，能較準(zhǔn)確地預(yù)測出對象的變化，所以價格預(yù)測一般以定量預(yù)測為主。常見的定量預(yù)測方法有以下幾種：趨勢外推法、平滑預(yù)測法、Box-Jenkins模型、季節(jié)調(diào)整。以下各小節(jié)分別對這幾種方法進(jìn)行分析。趨勢外推法如果預(yù)測對象隨時間變化呈現(xiàn)某一特定趨勢，并且能找到一個合適的函數(shù)曲線反映這種趨勢，就能用該函數(shù)對未來變化進(jìn)行預(yù)測[7]。使用趨勢外推法時，先對歷史數(shù)據(jù)用線性、多項式、指數(shù)、對數(shù)、冪等函數(shù)分別進(jìn)行回歸分析，得到相關(guān)系數(shù)R，R越接近1表明數(shù)據(jù)的趨勢與該函數(shù)越吻合。根據(jù)R選定函數(shù)后，就可以對未來價格趨勢進(jìn)行預(yù)測。趨勢外推法的優(yōu)點是使用簡單，然而大部分商品的價格走勢不可能用一個簡單的函數(shù)來表示，此時預(yù)測出來的結(jié)果準(zhǔn)確率就很低。平滑預(yù)測法平滑預(yù)測法一般包括移動平均法和指數(shù)平滑法兩種。1）移動平均法移動平均法假設(shè)商品的價格不會有很大的波動，因此可以把最近N個時間點的平均值作為下一個時間點的預(yù)測值。其優(yōu)點是能夠有效地消除歷史記錄中的隨機(jī)波動，然而對于存在季節(jié)性因素，或者價格快速升降的商品，仍然無法預(yù)測出其變化趨勢。設(shè)時間序列為x1,x2,…,移動平均法可以表示為：yt+1=(xt式中，xt為最新的觀察值，yt+1是下一期的預(yù)測值。該模型的一種改進(jìn)是加權(quán)移動平均法，即為不同的觀察值賦予不同權(quán)重，越新的觀察值權(quán)重越大。另一種改進(jìn)是線性二次移動平均法，即在一次移動平均的基礎(chǔ)上，再進(jìn)行一次移動平均，把一次平均和二次平均的差值加在一次平均的值上，作為趨勢的修正。2）一次指數(shù)平滑指數(shù)平滑法最早是由C.CHolt于1958年提出的，后來經(jīng)統(tǒng)計學(xué)家深入研究使得指數(shù)平滑法非常豐富，應(yīng)用也相當(dāng)廣泛。指數(shù)平滑法不僅考慮最近時間點的數(shù)據(jù)，還考慮遠(yuǎn)期的歷史數(shù)據(jù)，但會為數(shù)據(jù)賦予權(quán)值，越新的歷史數(shù)據(jù)權(quán)值越大[8]。設(shè)時間序列為x1,x2,…,指數(shù)平滑法可以表示為：yt+1=αxt+α(1-α)式中，xt為最新的觀察值，yt+1是下一期的預(yù)測值。α為參數(shù)。該式子等價于yt+1=αxt+(1-α)y也就是說，在實際使用的時候，確定了參數(shù)α后，只需要知道前一期的預(yù)測值yt和實際值xt，就能計算出下一期的預(yù)測值。這帶來的優(yōu)點是，不需要存儲大量的歷史數(shù)據(jù)就可以進(jìn)行預(yù)測。當(dāng)?shù)玫揭粋€最新的觀察值時，可以很快地得到下一個預(yù)測值，即進(jìn)行滾動預(yù)測。3）布朗模型為了能反映價格快速升降的趨勢，可以對指數(shù)平滑再次進(jìn)行平滑，即二次指數(shù)平滑預(yù)測，甚至可以用三次指數(shù)平滑來反映具有冪增長的趨勢。布朗模型是一種單參數(shù)二次平滑模型，其基本原理是：當(dāng)趨勢存在時，一次和二次平滑值都滯后于實際值，把一次和二次平滑值之差加在一次平滑值上，就可以對趨勢進(jìn)行修正。設(shè)時間序列為x1,x2,…,布朗模型可以表示為：St=αxt+(1-α)Dt=αSt+(1-α)at=2St-bt=St-yt+m=at+b式中，xt為最新的觀察值，yt+m是下m期的預(yù)測值。St是一次平滑的結(jié)果，Dt是二次平滑的結(jié)果。α為參數(shù)。4）溫特斯模型溫特斯模型則直接對趨勢進(jìn)行平滑。其計算公式為：St=αxt+bt=β(St-yt+m=St+式中，xt為最新的觀察值，yt+m是下m期的預(yù)測值。St是一次平滑的結(jié)果，bt是對趨勢平滑的結(jié)果。α和β為參數(shù)。5）季節(jié)指數(shù)平滑模型指數(shù)平滑法還可以再進(jìn)行擴(kuò)展，加入季節(jié)性因素的影響，霍爾特-溫特斯季節(jié)指數(shù)平滑模型就是一種結(jié)合趨勢增量和季節(jié)變動的指數(shù)平滑法[9]。其計算公式為：St=αxt/bt=β(St-It=γxt/yt+m=(St式中，xt為最新的觀察值，yt+m是下m期的預(yù)測值。St是一次平滑的結(jié)果，bt是對趨勢平滑的結(jié)果，It是對季節(jié)因素平滑的結(jié)果。L是季節(jié)的長度。α，β和γ為參數(shù)。6）小結(jié)由于指數(shù)平滑法實現(xiàn)難度不是很大，而且一般能達(dá)到相對較高的準(zhǔn)確率，所以是使用得最多的預(yù)測方法。但使用指數(shù)平滑法有一個重要的問題，就是模型中的系數(shù)難以確定，通常要經(jīng)過反復(fù)試驗才能找到最佳值。Box-Jenkins模型Box-Jenkins模型[10]是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名時間序列預(yù)測方法，其基本思想是：將預(yù)測對象隨時間推移而形成的數(shù)據(jù)序列視為一個隨機(jī)序列，用一定的數(shù)學(xué)模型來近似描述這個序列。這個模型一旦被識別后就可以從時間序列的過去值及現(xiàn)在值來預(yù)測未來值。Box-Jenkins模型又稱為自回歸移動平均模型(AutoregressiveIntegratedMovingAverageModel,簡記ARIMA)，由自回歸模型（簡稱AR模型）與滑動平均模型（簡稱MA模型）為基礎(chǔ)“混合”構(gòu)成[11]。Box-Jenkins模型預(yù)測的基本程序：1）根據(jù)時間序列的散點圖、自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖以ADF單位根檢驗其方差、趨勢及其季節(jié)性變化規(guī)律，對序列的平穩(wěn)性進(jìn)行識別。一般來講，經(jīng)濟(jì)運(yùn)行的時間序列都不是平穩(wěn)序列。2）對非平穩(wěn)序列進(jìn)行平穩(wěn)化處理。如果數(shù)據(jù)序列是非平穩(wěn)的，并存在一定的增長或下降趨勢，則需要對數(shù)據(jù)進(jìn)行差分處理，如果數(shù)據(jù)存在異方差，則需對數(shù)據(jù)進(jìn)行技術(shù)處理，直到處理后的數(shù)據(jù)的自相關(guān)函數(shù)值和偏相關(guān)函數(shù)值無顯著地異于零。3）根據(jù)時間序列模型的識別規(guī)則，建立相應(yīng)的模型。若平穩(wěn)序列的偏相關(guān)函數(shù)是截尾的，而自相關(guān)函數(shù)是拖尾的，可斷定序列適合AR模型；若平穩(wěn)序列的偏相關(guān)函數(shù)是拖尾的，而自相關(guān)函數(shù)是截尾的，則可斷定序列適合MA模型；若平穩(wěn)序列的偏相關(guān)函數(shù)和自相關(guān)函數(shù)均是拖尾的，則序列適合ARMA模型。4）進(jìn)行參數(shù)估計，檢驗是否具有統(tǒng)計意義。5）進(jìn)行假設(shè)檢驗，診斷殘差序列是否為白噪聲。6）利用已通過檢驗的模型進(jìn)行預(yù)測分析。Box-Jenkins模型的缺點是，參數(shù)選擇比較依賴人的主觀判斷，難以實現(xiàn)自動化，如果要多次預(yù)測取平均誤差，工作量很大。另外，該模型要求數(shù)據(jù)是平穩(wěn)的，或者能夠被處理成平穩(wěn)序列。但在實際應(yīng)用中，數(shù)據(jù)序列不一定能夠被處理成平穩(wěn)序列，使得該模型無法使用。季節(jié)調(diào)整經(jīng)濟(jì)時間序列往往受到眾多因素的影響，但這些影響一般都可以歸類到長期趨勢、季節(jié)變動、周期變動和不規(guī)則變動這四類因素。長期趨勢反映了時間序列在一個較長時間內(nèi)的發(fā)展趨勢，即持續(xù)向上或持續(xù)向下或平穩(wěn)；周期變動因素是指持續(xù)的周期性波動；不規(guī)則變動則是各種偶然、隨機(jī)因素所形成的變動；季節(jié)變動因素指年復(fù)一年地重復(fù)出現(xiàn)的有規(guī)律的波動，例如由于氣候變化造成原油需求量變化，圣誕節(jié)等固定節(jié)假日造成商品銷售量上升等等。季節(jié)調(diào)整就是把經(jīng)濟(jì)序列中的季節(jié)因素剔除掉。這樣做有幾個好處：一是可以發(fā)現(xiàn)序列中的季節(jié)變動因素，為人們的經(jīng)濟(jì)分析、決策制定提供幫助；二是有助于發(fā)現(xiàn)序列的真正趨勢，避免因季節(jié)因素的影響而對趨勢做出錯誤判斷；三是剔除季節(jié)因素后可能使得序列的預(yù)測能夠更為精確，一般可以對處理后的序列進(jìn)行預(yù)測，把預(yù)測值乘上季節(jié)因素后得到實際預(yù)測值。美國普查局Shiskin等人于1965年開發(fā)了X-11季節(jié)調(diào)整法[12]，并逐步完善，其思想是用滑動平均來估計趨勢成分和季節(jié)成分。1980年，加拿大統(tǒng)計局在X-11方法的基礎(chǔ)上開發(fā)了X-11-ARIMA方法；1998年，美國普查局在X-11-ARIMA基礎(chǔ)上開發(fā)了X-12-ARIMA。X-12方法已經(jīng)得到了廣泛的使用機(jī)器學(xué)習(xí)傳統(tǒng)的統(tǒng)計預(yù)測技術(shù)對于復(fù)雜非線性趨勢函數(shù)的擬合不能很好地處理，因此，以神經(jīng)網(wǎng)絡(luò)為代表的機(jī)器學(xué)習(xí)預(yù)測法便應(yīng)運(yùn)而生。常見的機(jī)器學(xué)習(xí)預(yù)測法包括以下幾種：BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、灰色模型等。以下各小節(jié)分別對這幾種方法進(jìn)行分析。BP神經(jīng)網(wǎng)絡(luò)Rumelhart和McClelland等人于1985年提出了神經(jīng)網(wǎng)絡(luò)中的前向多層網(wǎng)絡(luò)的反向傳播(簡稱BP算法).前向多層網(wǎng)絡(luò)可用一有向無環(huán)路圖表示.輸入節(jié)點是樣本的特征,輸出節(jié)點依問題而定,在輸入和輸出節(jié)點之間加入若干層隱節(jié)點.用S型函數(shù)作為節(jié)點的激活函數(shù),利用梯度下降法,從輸出節(jié)點開始,逐層修正權(quán)系數(shù)。圖2-1BP網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2-1BPnetworkstructurediagramBP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2-1所示。由圖2-1所示，BP網(wǎng)絡(luò)是一種具有3層或3層以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層(隱含層)和輸出層。上下層之間實現(xiàn)全連接，而每層神經(jīng)元之間無連接。當(dāng)一對學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸人響應(yīng)。然后，按照減少目標(biāo)輸出與實際誤差的方向，從輸出層經(jīng)過各中間層逐層修正各連接權(quán)值，最后回到輸入層，這種算法稱為“誤差逆?zhèn)鞑ニ惴ā?，即BP算法。隨著這種誤差逆向傳播修正不斷進(jìn)行，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也不斷上升。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)主要有以下不足：對于一些復(fù)雜的問題，可能需要較長的訓(xùn)練時間;可能會完全不能訓(xùn)練，網(wǎng)絡(luò)出現(xiàn)麻痹現(xiàn)象;容易陷入局部極小值，不能保證所求解為誤差平面的全局最小解。以下有幾種可能的改進(jìn)方法：1）提高收斂速度[13]BP算法的有效性和收斂性，在很大程度上取決于學(xué)習(xí)速率。學(xué)習(xí)速率的最優(yōu)值與具體問題有關(guān)，沒有對任何問題都適合的學(xué)習(xí)速率。即使對于某一特定問題，也很難找到一個自始至終都合適的學(xué)習(xí)速率。訓(xùn)練開始時較合適的學(xué)習(xí)速率，后來不一定合適。通常調(diào)節(jié)學(xué)習(xí)速率的準(zhǔn)則是:檢查權(quán)值的修正值是否降低了誤差函數(shù)，如果確實如此，則說明選取的學(xué)習(xí)速率值小了，可對其增加一個量;若不是這樣，而產(chǎn)生了過調(diào)，那么就應(yīng)該減少學(xué)習(xí)速率的值。下面給出了一種自適應(yīng)學(xué)習(xí)速率的調(diào)整公式:ηk+1=1.05ηkE(k+1)<E(k)0.7ηk此方法可以保證網(wǎng)絡(luò)總是以網(wǎng)絡(luò)可以接受的最大的學(xué)習(xí)速率進(jìn)行訓(xùn)練。當(dāng)一個較大的學(xué)習(xí)速率仍能夠使網(wǎng)絡(luò)穩(wěn)定學(xué)習(xí)，使其誤差繼續(xù)下降，則增加學(xué)習(xí)速率，使其以更大的學(xué)習(xí)速率進(jìn)行學(xué)習(xí)。一旦學(xué)習(xí)速率調(diào)得過大，而不能保證誤差繼續(xù)減少，則減少學(xué)習(xí)速率，直到使其學(xué)習(xí)過程穩(wěn)定為止閉。2）局部極小值的處理[13]附加動量法使網(wǎng)絡(luò)在修正其權(quán)值時，不僅考慮誤差在梯度上的作用，而且考慮在誤差曲面上變化趨勢的影響。該方法是在反向傳播的基礎(chǔ)上在每一個權(quán)值的變化上加上一項正比于前一次權(quán)值變化量的值，并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值變化。帶有附加動量因子的權(quán)值調(diào)節(jié)公式為:?wyk+1?θi式中，k為訓(xùn)練次數(shù);mc為動量因子，一般取0.95左右。訓(xùn)練中對動量法的判斷條件為:mc=0E(k)>1.04E(k-1)0.95E(k)附加動量法的實質(zhì)是將最后一次權(quán)值變化的影響，通過一個動量因子來傳遞。當(dāng)動量因子取值為0時，權(quán)值的變化僅是根據(jù)梯度下降法產(chǎn)生;當(dāng)動量因子取為1時，新的權(quán)值變化則是設(shè)置為最后一次權(quán)值的變化，而以梯度法產(chǎn)生的變化部分則被忽略掉了。采用附加動量法可以降低網(wǎng)絡(luò)對于誤差曲面局部細(xì)節(jié)的敏感性，有效地抑制網(wǎng)絡(luò)陷人局部極小。3）結(jié)合遺傳算法[14]模型構(gòu)造的總體思想是首先使用主成分分析法對原始輸人變量進(jìn)行主成分分析，提取主成分，將主成分分析結(jié)果歸一化，在對樣本處理完后，確定網(wǎng)絡(luò)結(jié)構(gòu)。再利用自適應(yīng)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，然后將歸一化數(shù)據(jù)送人優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，最終形成一個適合于期貨價格預(yù)測的模型。Elman神經(jīng)網(wǎng)絡(luò)Elman神經(jīng)網(wǎng)絡(luò)一般分為4層:輸人層、隱層、輸出層和承接層(又稱上下文層)，如圖2-2所示。其輸人層、隱層和輸出層的連接類似于前饋網(wǎng)絡(luò)，輸入層的單元僅起信號傳輸作用，輸出層單元起線性加權(quán)作用，隱層單元的傳遞函數(shù)可采用線性或非線性函數(shù)，上下文層用來記憶隱層單元前一時刻的輸出值，可以認(rèn)為是一步延時算子。Elman型神經(jīng)網(wǎng)絡(luò)的特點是隱層的輸出通過承接層的延遲與存儲，自聯(lián)到隱層的輸人，這種自聯(lián)方式使對歷史狀態(tài)的數(shù)據(jù)具有敏感性，內(nèi)部反饋網(wǎng)絡(luò)的加人增加了網(wǎng)絡(luò)本身處理動態(tài)信息的能力，從而達(dá)到動態(tài)建模的目的[15]。與BP神經(jīng)網(wǎng)絡(luò)相比，Elman算法的收斂速度比較快（訓(xùn)練速度比較快），預(yù)測穩(wěn)定度也比BP算法好。當(dāng)然，Elman算法也比BP算法要復(fù)雜，實現(xiàn)難度也大。圖2-2Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖[15]Fig.2-2Elmanneuralnetworkstructure[15]Elman神經(jīng)網(wǎng)絡(luò)還有以下的一種改進(jìn)[16]：改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)是在基本的Elman神經(jīng)網(wǎng)絡(luò)的承接層單元上增加了一個固定增益為a的自反饋連接，使承接層單元在k時刻的輸出等于隱層在k-1時刻的輸出加上承接層在k-1時刻輸出值的a倍。其結(jié)構(gòu)圖如下圖2-3所示。其中，a為自反饋增益因子。在第k個時刻，Elman網(wǎng)絡(luò)的非線性狀態(tài)空間表達(dá)式見圖2-3.以圖2-3為例，Z-1是一步延時算子，u表示r維網(wǎng)絡(luò)輸人向量，x表示n維隱層單元輸出向量，xc表示n維反饋狀態(tài)向量，y表示Elman網(wǎng)絡(luò)m維輸出向量。W1為輸人層到隱層的連接權(quán)值，w2為上下文層到輸出層的連接權(quán)值，w3為隱層到輸出層的連接權(quán)值。f(·)為隱層單元的傳遞函數(shù)，常采用S型函數(shù)，g(·)為輸出單元的線性傳遞函數(shù)，是隱層輸出的線性組合。Elman神經(jīng)網(wǎng)絡(luò)實質(zhì)上是在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過引入反饋信號，存儲內(nèi)部狀態(tài)使其具備映射動態(tài)特征的功能，從而使系統(tǒng)具有適應(yīng)時變特性的能力，使它的時間序列的預(yù)測性能較BP神經(jīng)網(wǎng)絡(luò)更好。對于網(wǎng)絡(luò)權(quán)值的修正，Elman網(wǎng)絡(luò)采用BP算法，學(xué)習(xí)指標(biāo)函數(shù)采用誤差平方和函數(shù):Ew圖2-3改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2-3ImprovedelmanneuralnetworkstructureRBF神經(jīng)網(wǎng)絡(luò)徑向基(RadialBasisFunction，簡稱RBF)網(wǎng)絡(luò)是一種新穎有效的前向型神經(jīng)網(wǎng)絡(luò)，由于該網(wǎng)絡(luò)輸出層對中間層的線性加權(quán)，使得該網(wǎng)絡(luò)避免了像BP網(wǎng)絡(luò)那樣繁瑣冗長的計算，具有較高的運(yùn)算速度和外推能力，同時使得網(wǎng)絡(luò)有較強(qiáng)的非線性映射能力。RBF網(wǎng)絡(luò)通過非線性基函數(shù)的線性組合實現(xiàn)從輸入空間Rn到輸出空間RBRF網(wǎng)絡(luò)是一種三層前向型神經(jīng)網(wǎng)絡(luò).從網(wǎng)絡(luò)結(jié)構(gòu)上看，它是由第一層的輸人層，第二層的隱層和第三層的輸出層組成.輸入層是由輸入樣本節(jié)點組成;隱層為徑向基層，由于隱層的傳輸函數(shù)(徑向基函數(shù))是非線性的，從而完成從輸入空間到隱含層空間的非線性變換;輸出層為線性層，完成對隱層空間模式的線性分類，即提供從隱層空間到輸出層空間的線性變換.根據(jù)隱層節(jié)點的個數(shù)，分兩種網(wǎng)絡(luò)模型:正規(guī)化網(wǎng)絡(luò)和廣義網(wǎng)絡(luò).正規(guī)化網(wǎng)絡(luò)中隱層節(jié)點個數(shù)與訓(xùn)練樣本數(shù)相同.廣義網(wǎng)絡(luò)采用采用Galerkin方法來減少隱層節(jié)點的個數(shù)。廣義的RBF網(wǎng)絡(luò)，輸人層節(jié)點的個數(shù)為輸人的樣本數(shù)，隱層節(jié)點在學(xué)習(xí)的過程中自適應(yīng)地增加，為解決股價預(yù)測問題，因此輸出層節(jié)點只有一個，即預(yù)測值.其拓?fù)浣Y(jié)構(gòu)圖如圖2-4所示[17]。圖2-4RBF網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2-4RBFnetworkstructurediagram設(shè)訓(xùn)練樣本集為X=[x1,x2,…,xs]，Ci為第i神經(jīng)元的徑向基中心，X-CRBF網(wǎng)絡(luò)的學(xué)習(xí)過程中需要調(diào)整的訓(xùn)練參數(shù)有三個：徑向基函數(shù)的中心徑向基函數(shù)的寬度隱層到輸出層的連接權(quán)值確定徑向基函數(shù)的中心和寬度采用K均值聚類算法，這是一種無監(jiān)督的的學(xué)習(xí)算法，它的基本思想為:先將徑向基函數(shù)的中心Ci的初值設(shè)為輸人的訓(xùn)練樣本P，然后將所有的訓(xùn)練樣本按最近的聚類中心分組，如果滿足而min‖Xi-Ci‖，則Xi屬于Ci的集合灰色模型灰色理論經(jīng)過多年的發(fā)展，已基本建立起一門新興學(xué)科的結(jié)構(gòu)體系，其主要內(nèi)容包括以灰色朦朧集為基礎(chǔ)的理論體系、以灰色關(guān)聯(lián)空間為依托的分析體系、以灰色序列生成為基礎(chǔ)的方法體系、以灰色模型(GM)為核心的模型體系、以系統(tǒng)分析、評估、建模、預(yù)測、決策、控制、優(yōu)化為主體的技術(shù)體系?；疑鼥V集、灰色代數(shù)系統(tǒng)、灰色方程、灰色矩陣等是灰色系統(tǒng)理論的基礎(chǔ)，從學(xué)科體系自身的優(yōu)美、完善出發(fā)，這里有許多問題值得進(jìn)一步研究?；疑到y(tǒng)分析除灰色關(guān)聯(lián)分析外，還包括灰色聚類和灰色統(tǒng)計評估等內(nèi)容。灰色序列生成通過序列算子(弱化算子、強(qiáng)化算子)、均值生成算子、級比生成算子、累加生成算子和累減生成算子等?；疑Ｐ桶凑瘴宀浇Ｋ枷霕?gòu)建，通過灰色生成或序列算子的作用弱化隨機(jī)性，挖掘潛在規(guī)律，經(jīng)過灰色差分方程與灰色微分方程之間的互換實現(xiàn)了利用離散的數(shù)據(jù)序列建立連續(xù)的動態(tài)微分方程的新飛躍。灰色預(yù)測是基于GM模型作出的定量預(yù)測，按照其功能和特征可分為數(shù)列預(yù)、區(qū)間預(yù)測，災(zāi)變預(yù)測、季節(jié)災(zāi)變預(yù)測、波形預(yù)測和系統(tǒng)預(yù)測等幾種類型?；疑珱Q策包括灰靶決策、灰色關(guān)聯(lián)決策、灰色統(tǒng)計、聚類決策、灰色局勢決策和灰色層次決策等?；疑刂频闹饕獌?nèi)容包括本征性灰色系統(tǒng)的控制問題和以灰色系統(tǒng)方法為基礎(chǔ)構(gòu)成的控制，如灰色關(guān)聯(lián)控制和GM(1,1)預(yù)測控制等?；疑珒?yōu)化技術(shù)包括灰色線性規(guī)劃、灰色非線性規(guī)劃、灰色整數(shù)規(guī)劃和灰色動態(tài)規(guī)劃等。

化工產(chǎn)品價格預(yù)測技術(shù)的研究本章將深入研究化工產(chǎn)品價格的預(yù)測技術(shù)。原油是石化產(chǎn)品的根基，因此，一切產(chǎn)品價格看原油。但相對石化產(chǎn)品價格而言，原油價格不完全遵循供求關(guān)系，由于其不可再生的稀缺資源特性，目前以致未來更多的賦予其金融產(chǎn)品的屬性。而石腦油則是石化產(chǎn)品價值鏈中的一部分，靠近價值鏈的根部，其價格變化特征在石化產(chǎn)品中具有代表性，原油和石腦油之間則存在著原料和產(chǎn)品的關(guān)系。因此本章將重點原油、石腦油的價格預(yù)測技術(shù)，通過價格預(yù)測實驗分析，篩選出適合原油、石腦油價格預(yù)測的技術(shù)。預(yù)測模型的選擇通過第二章的價格預(yù)測技術(shù)的綜述和對比，本文針對化工產(chǎn)品價格選取了兩個預(yù)測模型：指數(shù)平滑模型和BP神經(jīng)網(wǎng)絡(luò)模型。指數(shù)平滑模型屬于傳統(tǒng)統(tǒng)計預(yù)測，而BP神經(jīng)網(wǎng)絡(luò)模型屬于機(jī)器學(xué)習(xí)預(yù)測。在后面的實驗都會分別采用指數(shù)平滑模型和BP神經(jīng)網(wǎng)絡(luò)模型。本小節(jié)將對指數(shù)平滑模型和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析。指數(shù)平滑模型在傳統(tǒng)的價格預(yù)測的技術(shù)中本文初步選定指數(shù)平滑的模型。指數(shù)平滑法是目前使用得最多的預(yù)測方法，它有以下優(yōu)點：1)基本模型實現(xiàn)起來比較簡單，計算量小，預(yù)測速度快。2)能夠根據(jù)預(yù)測對象的特點對模型進(jìn)行改進(jìn)，擴(kuò)展成為布朗模型，溫特斯模型，季節(jié)指數(shù)平滑模型等，從而進(jìn)一步提高預(yù)測精確率。3)能夠?qū)崿F(xiàn)自動化。指數(shù)平滑模型能夠通過窮舉參數(shù)來計算最小誤差，從而確定最優(yōu)的參數(shù)組合，這一過程能夠由計算機(jī)自動完成。而Box-Jenkins模型的參數(shù)需要人工來確定，工作量過大。BP神經(jīng)網(wǎng)絡(luò)模型傳統(tǒng)的時間序列預(yù)測方法有移動平均法、指數(shù)平滑法、ARIMA模型、線性回歸法等。應(yīng)用傳統(tǒng)的預(yù)測方法可以預(yù)測一段時間內(nèi)預(yù)測對象變化的大致趨勢，但只適合于預(yù)測對象變化比較平穩(wěn)的情況，需要事先知道各種參數(shù)，以及參數(shù)在什么情況下應(yīng)做怎樣的修正[18]。圖3-1是原油期貨價格變化的一個局部視圖?？梢钥吹絻r格波動的時變性、隨機(jī)性是非常明顯的。原油期貨價格的變化是許多非常復(fù)雜因素共同影響的結(jié)果，其中廣泛存在著非線性、時變性和不確定作用關(guān)系。傳統(tǒng)的預(yù)測方法在發(fā)揮巨大作用的同時，也逐漸顯露出它的缺陷，即很難把握原油期貨價格變化的非線性現(xiàn)象，因而必然造成預(yù)測的誤差性加大[19]。人工神經(jīng)網(wǎng)絡(luò)依據(jù)數(shù)據(jù)本身的內(nèi)在聯(lián)系建模，具有良好的自組織性、自適應(yīng)性，有很強(qiáng)的學(xué)習(xí)能力和抗干擾能力。BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中應(yīng)用比較廣泛的一種，相對于其他神經(jīng)網(wǎng)絡(luò)的模型，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，實現(xiàn)也容易。圖3-1WTI與BRENT原油期貨價格短期走勢圖Fig.3-1WTIandBRENTcrudeoilfuturespricesshort-termcharts短期預(yù)測的實驗和分析本文主要對原油期貨和石腦油進(jìn)行價格預(yù)測實驗。實驗分為短期預(yù)測和長期預(yù)測兩個部分。其中短期預(yù)測的周期為天，長期預(yù)測的單位為月（月平均價）。兩個部分都采用指數(shù)平滑模型和BP神經(jīng)網(wǎng)絡(luò)模型分別預(yù)測，然后對實驗結(jié)果進(jìn)行分析。本小節(jié)將對短期預(yù)測進(jìn)行實驗原理分析、設(shè)計和結(jié)果討論。短期預(yù)測的預(yù)測周期是1天，就是根據(jù)歷史數(shù)據(jù)對接下來1天的價格進(jìn)行預(yù)測。在下面的指數(shù)平滑模型的部分中有多周期的預(yù)測。神經(jīng)網(wǎng)絡(luò)模型主要是單周期的預(yù)測。具體實驗見以下各實驗。指數(shù)平滑模型的短期預(yù)測本小節(jié)主要是利用指數(shù)平滑模型來進(jìn)行原油期貨和石腦油的短期價格預(yù)測實驗。其中預(yù)測的周期為天。具體實驗原理、設(shè)計和結(jié)果分析見下面各具體實驗。本小節(jié)中實驗使用的工具為Eviews6.0。Eviews是QMS公司推出的一款應(yīng)用非常廣泛的統(tǒng)計分析計量軟件，它能夠處理以時間序列為主的多種類型數(shù)據(jù)，進(jìn)行傳統(tǒng)時間序列分析、回歸分析、描述統(tǒng)計等基本數(shù)據(jù)分析。目前Eviews的最新版本為6.0。利用指數(shù)平滑模型進(jìn)行價格預(yù)測的主要步驟是：選擇訓(xùn)練數(shù)據(jù)；利用訓(xùn)練數(shù)據(jù)選擇合適的參數(shù)，使得預(yù)測的標(biāo)準(zhǔn)誤差最小；利用上一步中得到的參數(shù)對后面的周期進(jìn)行預(yù)測；獲得實際數(shù)據(jù)，與預(yù)測數(shù)據(jù)比較，計算誤差，分析結(jié)果。原油期貨單周期預(yù)測實驗原理本實驗對布倫特原油期貨價格進(jìn)行單周期預(yù)測。預(yù)測時采用滾動預(yù)測，即先對下一交易日進(jìn)行預(yù)測，然后獲得該交易日的實際數(shù)據(jù)，加入訓(xùn)練數(shù)據(jù)集，接著對再下一交易日進(jìn)行預(yù)測。如此持續(xù)20個交易日，然后計算出預(yù)測的平均誤差。使用的模型包括一次指數(shù)平滑、布朗模型、溫特斯模型、季節(jié)指數(shù)平滑模型。實驗設(shè)計本文設(shè)計了兩個實驗，如表3-1所示。表31原油期貨短期預(yù)測實驗Table3-1Crudeoilfuturesshort-termpredictionexperiments實驗訓(xùn)練數(shù)據(jù)預(yù)測結(jié)果圖預(yù)測數(shù)據(jù)實驗A12003-07-28~2003-08-22圖3-2表3-2實驗A22002-01-02~2008-05-0圖3-3表3-3實驗A1主要是為了與后面的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比，因此預(yù)測目標(biāo)保持一致，都是2003-8-25到2003-9-19之間的20個交易日。在訓(xùn)練數(shù)據(jù)上，則使用最近20個交易日的數(shù)據(jù)進(jìn)行訓(xùn)練。例如先采用7-28到8-22的數(shù)據(jù)進(jìn)行訓(xùn)練，對下一交易日8-25進(jìn)行預(yù)測，接著獲得該交易日的實際數(shù)據(jù)，用7-29到8-25的數(shù)據(jù)對8-26進(jìn)行預(yù)測。如此持續(xù)20個交易日，然后計算出預(yù)測的平均誤差。本實驗使用的模型包括一次指數(shù)平滑、布朗模型、溫特斯模型。圖3-2是該實驗的預(yù)測結(jié)果圖；表3-2是該實驗的預(yù)測數(shù)據(jù)匯總。圖32實驗A1預(yù)測結(jié)果圖Fig.3-2ExperimentalresultsofA1forecast表32SEQ表\*ARABIC\s1實驗A1預(yù)測數(shù)據(jù)Table3-2ExperimentA1forecast實驗A2主要是為了比較季節(jié)指數(shù)平滑模型與其它模型的預(yù)測精度。當(dāng)訓(xùn)練數(shù)據(jù)足夠多時（至少連續(xù)3年），可以使用季節(jié)指數(shù)平滑模型，加入季節(jié)因素。因此該實驗大大擴(kuò)展了訓(xùn)練數(shù)據(jù)集，使用2002-1-2到2008-5-2之間共1637個交易日的價格數(shù)據(jù)。由于交易所有時會因當(dāng)?shù)毓?jié)假日而停止交易，因此有一小部分?jǐn)?shù)據(jù)發(fā)生缺失，數(shù)據(jù)缺失會使得季節(jié)指數(shù)平滑模型發(fā)生一定的偏差，對此本文采用均值補(bǔ)插法，即把缺失數(shù)據(jù)設(shè)為前后兩個交易日的價格均值。本實驗使用的模型包括一次指數(shù)平滑、布朗模型、溫特斯模型、季節(jié)指數(shù)平滑模型（乘積模型）。圖3-3是該實驗的預(yù)測結(jié)果圖；表3-3是該實驗的預(yù)測數(shù)據(jù)匯總。圖33實驗A2預(yù)測結(jié)果圖Fig.3-3ExperimentalresultsofA2forecast表33實驗A2預(yù)測數(shù)據(jù)Table3-3ExperimentA2forecast由于篇幅有限，該表格沒有詳細(xì)列出每次預(yù)測的相對誤差，可以根據(jù)公式：error=predict/actual–1（3-1）來計算，式中error為相對誤差，predict為預(yù)測價格，actual為實際價格。以下是在Eviews6.0環(huán)境中季節(jié)平滑模型的核心代碼，其它模型的實現(xiàn)類似，此處不再列出。!i=1for!w=0to3 ；預(yù)測四周for!d=1to5 ；每周五個交易日!j=!w*7+!d+4range1/2/20025/!j/2008 ；調(diào)整訓(xùn)練數(shù)據(jù)集smooth(m)crudetemp ；使用季節(jié)平滑模型進(jìn)行預(yù)測Read(t=xls,s=sheet3,c2)"D:/data.xls"crude ；獲得最新數(shù)據(jù)crudesm(1653+!i)=temp(1653+!i) ；記錄預(yù)測數(shù)據(jù)!i=!i+1nextnext實驗結(jié)果分析綜合兩個實驗的結(jié)果，可以看出溫特斯模型是最合適的模型。雖然在實驗A2中，季節(jié)指數(shù)平滑模型的精度比溫特斯模型有微弱的提高，但差別極小，可以忽略不計。說明在短期預(yù)測中，原油價格的季節(jié)性因素不明顯。由于季節(jié)指數(shù)平滑模型需要多年的歷史數(shù)據(jù)，計算量大，且沒有明顯的效果，因此不建議在短期預(yù)測中使用。原油期貨多周期預(yù)測實驗原理本實驗對布倫特原油期貨價格進(jìn)行多周期預(yù)測。預(yù)測時采用滾動預(yù)測，對后面5個交易日（即一周）進(jìn)行預(yù)測，然后獲得這5個交易日的實際數(shù)據(jù)，再對之后5個交易日進(jìn)行預(yù)測。如此重復(fù)4次，即20個交易日，然后計算出預(yù)測的平均誤差。使用的模型包括布朗模型和溫特斯模型。在前面的實驗中，已經(jīng)證明短周期預(yù)測的季節(jié)性因素不明顯，所以本實驗不再使用季節(jié)指數(shù)平滑模型。實驗設(shè)計 如表3-4所示，本小節(jié)的實驗使用2002-1-2到2002-12-2之間的數(shù)據(jù)作為訓(xùn)練集，預(yù)測結(jié)果圖見圖3-４，預(yù)測數(shù)據(jù)見表3-5。表34原油期貨短期多周期預(yù)測實驗Table3-4CrudeoilFuturesshort-termmulti-cyclepredictionexperiment實驗訓(xùn)練數(shù)據(jù)預(yù)測結(jié)果圖預(yù)測數(shù)據(jù)實驗A32002-01-02~2002-12-02圖3-4見表3-5圖34實驗A3預(yù)測結(jié)果圖Fig.3-4ExperimentalresultsofA3forecast表35實驗A3預(yù)測數(shù)據(jù)Table3-5ExperimentA3forecast以下是在Eviews6.0環(huán)境中溫特斯模型的核心代碼：!i=1for!w=0to3 ；預(yù)測四周!j=!w*7+6range1/2/200212/!j/2002 ；調(diào)整訓(xùn)練數(shù)據(jù)集smooth(n)crudetemp ；使用溫特斯模型預(yù)測后面5天的價格Read(t=xls,s=sheet1,b2)"D:/data.xls"crude ；獲得最新數(shù)據(jù) for!d=1to5 ；記錄預(yù)測數(shù)據(jù)crudesm(229+!i)=temp(229+!i)!i=!i+1next next實驗結(jié)果分析從結(jié)果可以看出，溫特斯模型的誤差明顯比布朗模型小。布朗模型的缺點是過于依賴近期趨勢，如果近期價格持續(xù)大幅上漲，該模型會預(yù)測之后也會大漲，這樣遇到價格波動時會使得精確度受到很大影響。而溫特斯模型多了一個參數(shù)，能夠考慮到整個訓(xùn)練樣本中的趨勢，更具有靈活性。與單周期預(yù)測相比，多周期預(yù)測的精度相對差些。從表3-5中也可以看出來，在以五個周期為一組的預(yù)測數(shù)據(jù)中，越靠前的周期誤差越小，第五個周期的預(yù)測誤差最大。這是因為后面的周期需要以前面的預(yù)測值作為訓(xùn)練數(shù)據(jù)的一部分，而前面的預(yù)測值不可避免地存在誤差，當(dāng)它參與后期預(yù)測時，誤差將會被放大。石腦油預(yù)測實驗原理本實驗對新加坡石腦油價格進(jìn)行單周期預(yù)測。與原油期貨的單周期預(yù)測實驗一樣，預(yù)測時采用滾動預(yù)測，對20個交易日的價格進(jìn)行預(yù)測。使用的模型包括布朗模型、溫特斯模型。實驗設(shè)計如表3-6所示，本小節(jié)的實驗使用2003-7-28到2003-8-22之間的數(shù)據(jù)作為訓(xùn)練集，對后面20天的價格進(jìn)行預(yù)測，預(yù)測目標(biāo)與后面BP神經(jīng)網(wǎng)絡(luò)模型的實驗B4,B5,B6相同，使得預(yù)測結(jié)果具有可比性。本實驗的預(yù)測結(jié)果圖見圖3-5，預(yù)測數(shù)據(jù)見表3-7。表36石腦油短期預(yù)測實驗Table3-6Experimentalshort-termpredictionofnaphtha實驗訓(xùn)練數(shù)據(jù)預(yù)測結(jié)果圖預(yù)測數(shù)據(jù)實驗A42003-07-28~2003-08-22圖3-5見表3-7圖35實驗A4預(yù)測結(jié)果圖Fig.3-5ExperimentalresultsofA4forecast表37實驗A4預(yù)測數(shù)據(jù)Table3-7ExperimentA4forecast本實驗的預(yù)測方法、核心代碼都與實驗A1和A2相似，此處不再列出。實驗結(jié)果分析與原油期貨價格預(yù)測相似，溫特斯模型比較合適，預(yù)測精度相對較高。但相對于原油，石腦油的誤差要大些，這是因為影響石腦油價格的因素更多。所有原油的影響因素都或多或少地對石腦油價格有些影響，除此之外還有其它影響因素，這使得石腦油價格的波動更多，因此對于傳統(tǒng)預(yù)測方法來說，預(yù)測難度上升了。BP神經(jīng)網(wǎng)絡(luò)模型的短期預(yù)測本小節(jié)主要是采用BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行原油期貨和石腦油的價格的短期預(yù)測實驗。其中預(yù)測的周期為天。具體實驗原理、設(shè)計和結(jié)果分析見下面各具體實驗。原油期貨預(yù)測實驗原理人工神經(jīng)網(wǎng)絡(luò)依據(jù)數(shù)據(jù)本身的內(nèi)在聯(lián)系建模，具有良好的自組織性、自適應(yīng)性，有很強(qiáng)的學(xué)習(xí)能力和抗干擾能力。它能自動從歷史數(shù)據(jù)中提取有關(guān)知識，可以克服傳統(tǒng)預(yù)測方法的許多局限以及面臨的困難，同時也能避免許多人為因素的影響，因而神經(jīng)網(wǎng)絡(luò)模型是在非線性領(lǐng)域應(yīng)用最廣泛的模型。利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行原油期貨的價格預(yù)測的主要步驟是：輸入信號的選擇和確定：可以是多個輸出，輸入信號一般是對預(yù)測結(jié)果影響比較大的因素；輸出一般是目標(biāo)預(yù)測的數(shù)據(jù)。數(shù)據(jù)預(yù)處理（歸一化）：主要是去掉數(shù)據(jù)量綱，把數(shù)據(jù)都?xì)w一化到[0,1]區(qū)間內(nèi)。這樣在進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測時精度會提高。網(wǎng)絡(luò)隱層數(shù)、各隱層節(jié)點數(shù)的選擇：網(wǎng)絡(luò)隱層數(shù)越多，各隱層節(jié)點數(shù)越多，訓(xùn)練的誤差精度就會提高，訓(xùn)練速度則會下降。而且過度的訓(xùn)練容易使訓(xùn)練陷入局部最小值，并且減弱了預(yù)測模型的抗干擾能力。選擇合適的網(wǎng)絡(luò)隱層數(shù)和各隱層節(jié)點數(shù)，平衡好訓(xùn)練誤差精度和訓(xùn)練速度。經(jīng)驗公式為：m=n+om為隱層節(jié)點數(shù)；n為輸入節(jié)點數(shù);0為輸出節(jié)點數(shù)；a為1-10之間的常數(shù)。進(jìn)行預(yù)測及結(jié)果分析：結(jié)果關(guān)注的主要指標(biāo)是平均誤差，包括絕對誤差和相對誤差。以下是在matlab7.1環(huán)境中的BP神經(jīng)網(wǎng)絡(luò)的核心代碼：//創(chuàng)建一個新的BP神經(jīng)網(wǎng)絡(luò)newff，其中minmax(input)代表輸入的數(shù)據(jù)的范圍，12是中間隱層//節(jié)點的書數(shù)目，1是輸出節(jié)點的數(shù)目，后面3個是BP神經(jīng)網(wǎng)絡(luò)選擇的函數(shù)net=newff(minmax(input),[12,1],{'logsig','tansig'},'traingd');net.trainParam.lr=0.05;//lr是BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率net.trainParam.epochs=5000;//epochs是BP神經(jīng)網(wǎng)絡(luò)的最大訓(xùn)練步數(shù)net.trainParam.goal=1e-3;//訓(xùn)練的目標(biāo)MSE//訓(xùn)練，input是訓(xùn)練的輸入矩陣，target的訓(xùn)練的目標(biāo)結(jié)果矩陣[net,tr]=train(net,input,target);ret=sim(net,input2);//sim是返回函數(shù)，ret是返回的矩陣，input2是訓(xùn)練的輸入神經(jīng)網(wǎng)絡(luò)的輸入和輸出都是矩陣的方式，其中一列就是一組輸入，行數(shù)就是輸入節(jié)點的個數(shù)，列數(shù)就是輸入的組數(shù)。實驗數(shù)據(jù)實驗所用數(shù)據(jù)是2003-03-03～2003-09-19之間的共140組布倫特原油期貨的價格。其中前面120組用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，