文件大小：1.37M
摘要：随着经济建设进程的加速以及基础建设对原材料需求的持续增长，原材料生产企业面临着日益严峻的挑战。为维持企业的稳定运营并提升竞争力，探寻一种有效的原材料商品价格预测方法成为企业的迫切需求。铁矿石作为基础建设的重要原材料之一，期货价格波动呈现出复杂多变的特性，这给价格预测工作带来了巨大挑战。尽管当前已存在多种预测方法，但预测精度和稳定性仍有待提高。因此，为探索一种更为准确且有效的铁矿石价格预测方法，基于多元时间序列的铁矿石价格序列，设计了一个由多头卷积堆叠长短期记忆编码器解码器网络和模态信号分解技术与注意力机制组合的增强式集成学习模型。该方法首先利用模态信号分解技术降低价格序列的波动性，然后通过多头卷积网络自动从多元序列数据中提取复杂空间特征，接着利用堆叠长短期记忆网络从历史序列中提取时间特征。最后，通过注意力机制提取关键特征，并得出最终的预测结果。实验结果表明，提出的增强式集成模型在预测精度和稳定性方面均优于未考虑分解技术的其他模型。本研究结果具有实际应用价值，能够助力矿山企业更为精准地预测铁矿石价格，进而维持其高质量的发展与运营。
文章目录
1 模型介绍与建模流程
1.1 增强式集成模型
1.1.1 变分模态分解
1.1.2 编码器解码器网络
1.2 纠偏自适应矩估计优化算法
2 实证分析
2.1 实验设置
2.1.1 实验数据集
2.1.2 评价指标
2.1.3 基线方法和参数设置
2.2 结果与讨论
2.2.1 提前一步预测
2.2.2 多步预测
3 结论
