文/賀仁杰

有效掌控煤炭價(jià)格走勢有利于保障煤炭供應(yīng)鏈的安全穩(wěn)定。本文整合了宏觀經(jīng)濟(jì)、煤炭市場、電力行業(yè)等相關(guān)數(shù)據(jù)，篩選出影響煤價(jià)的關(guān)鍵因素，提出了一種基于Stacking集成學(xué)習(xí)的組合預(yù)測方法。實(shí)驗(yàn)結(jié)果顯示，融合后的模型充分發(fā)揮了各個(gè)基學(xué)習(xí)器的優(yōu)勢。與單一模型相比，融合后的Stacking模型具有較小的預(yù)測誤差，預(yù)測效果更佳。

1.引言

能源供給側(cè)結(jié)構(gòu)性改革的目標(biāo)是優(yōu)化能源結(jié)構(gòu)，減少無效供給，合理配置資源，提高能源效率。有研究者分析了我國煤炭價(jià)格與火力發(fā)電的動(dòng)態(tài)關(guān)系，也有研究者考慮了煤炭價(jià)格的多種影響因素，如工業(yè)增加值、發(fā)電量和消費(fèi)量等。隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的發(fā)展，BP神經(jīng)網(wǎng)絡(luò)、混合深度學(xué)習(xí)分步預(yù)測方法等也被用于煤價(jià)預(yù)測。但這些算法在數(shù)據(jù)樣本量少的數(shù)據(jù)集上難以實(shí)現(xiàn)精準(zhǔn)預(yù)測，并且缺乏可解釋性。本文針對上述問題，篩選出影響煤價(jià)的關(guān)鍵因素，將隨機(jī)森林、支持向量回歸、彈性網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)與集成學(xué)習(xí)方式進(jìn)行融合，構(gòu)建基于Stacking的組合預(yù)測方法，并驗(yàn)證了其有效性。

2.模型構(gòu)建與評價(jià)指標(biāo)

考慮到隨機(jī)森林的高效性能和自適應(yīng)特征選擇、彈性網(wǎng)絡(luò)的良好泛化能力、SVR的非線性分類能力，以及BP神經(jīng)網(wǎng)絡(luò)簡單靈活，能夠處理非線性問題等優(yōu)點(diǎn)，本文利用煤炭價(jià)格數(shù)據(jù)集分別構(gòu)建了模型。Stacking可以利用這些基學(xué)習(xí)器的優(yōu)勢，提高整體的預(yù)測性能。實(shí)驗(yàn)表明元學(xué)習(xí)器為嶺回歸時(shí)可以取得較好的預(yù)測效果，故選用嶺回歸作為元學(xué)習(xí)器。為了對預(yù)測模型性能進(jìn)行評估比較，本文采用均方誤差（MSE）、平均絕對誤差（MAE）和擬合優(yōu)度三種常用的評價(jià)指標(biāo)。

3.數(shù)據(jù)來源及預(yù)處理

在進(jìn)行數(shù)據(jù)分析之前，需要對數(shù)據(jù)進(jìn)行預(yù)處理，以便算法能更好地學(xué)習(xí)數(shù)據(jù)并做出更準(zhǔn)確的判斷與決策。此外，由于本數(shù)據(jù)集中缺失值較少，采用了將缺失值前后時(shí)間段的數(shù)據(jù)求均值來代替空白缺失值的方法，以保證樣本量不減少。為了減少變量間多重共線性對線性模型參數(shù)估計(jì)不確定性的影響，需要對數(shù)據(jù)集進(jìn)行變量間相關(guān)性分析，進(jìn)行變量篩選和合并，從而減少變量間的多重共線，提高模型精度。

4.結(jié)果分析

本文采用四種單一模型分別進(jìn)行預(yù)測，選取數(shù)據(jù)的80%為訓(xùn)練集，20%為測試集。RF、SVR、EN和BP模型都表現(xiàn)出較好的擬合效果。將構(gòu)建的Stacking模型進(jìn)行訓(xùn)練后進(jìn)行預(yù)測。各模型的預(yù)測的MSE和MAE見表1。可以看出，EN表現(xiàn)出最低的MSE，RF和BP整體表現(xiàn)優(yōu)越，而且BP的MSE值更低，SVR也實(shí)現(xiàn)了較好的預(yù)測效果。

表1 各模型預(yù)測效果評價(jià)

Stacking模型預(yù)測的MSE和MAE最小，預(yù)測準(zhǔn)確率有了明顯提升。Stacking通過多種基學(xué)習(xí)器結(jié)合，可避免模型陷入局部最小點(diǎn)，這也是Stacking可顯著提升預(yù)測精度的關(guān)鍵原因。

5.總結(jié)

本文通過收集經(jīng)濟(jì)數(shù)據(jù)，找到影響煤價(jià)的關(guān)鍵因素，并利用集成方式將多個(gè)算法融合后進(jìn)行煤炭價(jià)格預(yù)測。結(jié)果表明，融合模型能夠結(jié)合多種模型的優(yōu)勢，預(yù)測的平均誤差較小，明顯提升了預(yù)測準(zhǔn)確率。但研究中還存在一些不足：由于獲取相關(guān)數(shù)據(jù)不便，后續(xù)研究可篩選更多特征納入模型訓(xùn)練，爭取提供更精確的煤價(jià)預(yù)測方法。