一种化工原料价格和采购量预测方法、装置及相关设备制造方法及图纸

本发明专利技术公开了一种化工原料价格和采购量预测方法、装置及相关设备，包括对原料期货价格进行预测、对长短期采购比例进行计算和根据预测的原料期货价格和所述长短期采购比例进行滚动式预测原料采购量，本发明专利技术实施例通过对大量的有关化工原料数据进行训练，得出模型，并对化工原料的期货价格进行预测，由于机器学习训练出来的模型是站在大数据的基础上，比人工预测更加精准且方便快捷，之后通过有关化工原料数据中的历史化工原料长短期采购比例和采购成本确定未来一段时间长短期采购比例，并结合两者对化工原料的现货采购量进行预测，整体方案均是在前一机器学习模型中预测出来的化工原料期货价格的基础上进行的，因而化工原料的现货采购量预测会更加的精准。

【技术实现步骤摘要】
一种化工原料价格和采购量预测方法、装置及相关设备
本专利技术涉及机器学习
，尤其涉及一种化工原料价格和采购量预测方法、装置及相关设备。
技术介绍
由于受到宏观经济环境、供求关系和生产成本等诸多因素的影响，部分化工原料的价格波动往往较为频繁，波动幅度较大，无明显规律，大大加大了企业在采购时对价格预测的难度，使得采购部门很难制定出合适的采购政策，从而最小化企业的采购成本。一般的化工原料采购分为合约采购和现货采购两种方式。合约采购是在年初指定未来一段时间的采购合约量，之后逐月发货。优点是合约采购量较大，通常能获得一定的折扣，缺点是无法根据市场的行情酌情调整采购的数量；现货采购根据市场行情和订单数能够及时调整采购的数量，但是大多数时候价格相比合约采购较高。因此公司需要权衡合约采购折扣和市场行情波动，确定合适的长短期(合约采购/现货采购)比例。目前行业上对于化工原料采购所采取的方法更多的是采购部门根据历史经验，以及当前的经济形势的判断进行预测，无法对各个因素进行充分的考虑。因此构建先进准确的化工原料采购系统至关重要，可以供给采购部门作为一定的参考，为科学决策提供一定的依据。
技术实现思路
本专利技术的目的是提供一种化工原料价格和采购量预测方法、装置及相关设备，旨在解决现有技术中无法准确的对化工原料进行价格预测的问题。第一方面，本专利技术实施例提供了一种化工原料的期货价格预测方法，其包括：对化工原料原始数据样本中的仓单数据和龙虎榜数据进行独热编码，同时对所述化工原料原始数据样本中的其他数据进行归一化编码，得到第一编码数据；通过Box-Cox变换对所述第一编码数据进行处理，得到预处理后的第二编码数据；对所述第二编码数据进行分类，得到包含宏观因子、供需因子、舆情因子和技术因子的化工原料特征库；依次通过栈式自动编码器和主成分分析方法对所述第二编码数据进行特征提取，得到高级特征；将所述高级特征依次通过时间卷积网络、第一全连接层和防过拟合层得到特征数据；将所述特征数据输入双向长短时记忆循环神经网络中进行处理得到特征向量，并将所述特征向量输入第二全连接层进行预测，得出预测的化工原料期货价格。第二方面，本专利技术实施例提供了一种化工原料采购量的预测方法，其包括：对化工原料原始数据样本中的仓单数据和龙虎榜数据进行独热编码，同时对所述化工原料原始数据样本中的其他数据进行归一化编码，得到第一编码数据；通过Box-Cox变换对所述第一编码数据进行处理，得到预处理后的第二编码数据；对所述第二编码数据进行分类，得到包含宏观因子、供需因子、舆情因子和技术因子的化工原料特征库；依次通过栈式自动编码器和主成分分析方法对所述第二编码数据进行特征提取，得到高级特征；将所述高级特征依次通过时间卷积网络、第一全连接层和防过拟合层得到特征数据；将所述特征数据输入双向长短时记忆循环神经网络中进行处理得到特征向量，并将所述特征向量输入第二全连接层进行预测，得出预测的化工原料期货价格；对长短期采购比例进行计算；根据预测的化工原料期货价格和所述长短期采购比例进行化工原料采购量的滚动式预测。第三方面，本专利技术实施例提供了一种化工原料的期货价格预测装置，包括：第一编码单元，用于对化工原料原始数据样本中的仓单数据和龙虎榜数据进行独热编码，同时对所述化工原料原始数据样本中的其他数据进行归一化编码，得到第一编码数据；第二编码单元，用于通过Box-Cox变换对所述第一编码数据进行处理，得到预处理后的第二编码数据；分类单元，用于对所述第二编码数据进行分类，得到包含宏观因子、供需因子、舆情因子和技术因子的化工原料特征库；高级特征提取单元，用于依次通过栈式自动编码器和主成分分析方法对所述第二编码数据进行特征提取，得到高级特征；时间卷积处理单元，用于将所述高级特征依次通过时间卷积网络、第一全连接层和防过拟合层得到特征数据；预测单元，用于将所述特征数据输入双向长短时记忆循环神经网络中进行处理得到特征向量，并将所述特征向量输入第二全连接层进行预测，得出预测的化工原料期货价格。第四方面，本专利技术实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的化工原料的期货价格预测方法。本专利技术实施例通过对大量的有关化工原料数据进行训练，得出模型，并对化工原料的期货价格进行预测，由于机器学习训练出来的模型是站在大数据的基础上，比人工预测更加精准且方便快捷，之后通过有关化工原料数据中的历史化工原料长短期采购比例和采购成本确定未来一段时间长短期采购比例，并结合两者对化工原料的现货采购量进行预测，整体方案均是在前一机器学习模型中预测出来的化工原料期货价格的基础上进行的，因而化工原料的现货采购量预测会更加的精准，可以供给采购部门作为一定的参考，为科学决策提供一定的依据。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的化工原料的期货价格预测方法的流程示意图；图2为本专利技术实施例提供的化工原料的期货价格预测方法中步骤S101的子流程示意图；图3为本专利技术实施例提供的化工原料的期货价格预测方法中步骤S105之前的子流程示意图；图4为本专利技术实施例提供的化工原料采购量的预测方法的流程示意图；图5为本专利技术实施例提供的化工原料采购量的预测方法中步骤S107的子流程示意图；图6为本专利技术实施例提供的化工原料采购量的预测方法中步骤S108的子流程示意图；图7为本专利技术实施例提供的化工原料的期货价格预测装置的示意性框图；图8为本专利技术实施例提供的计算机设备的示意性框图；图9为本专利技术实施例提供的化工原料的期货价格预测方法的另一流程示意图；图10为本专利技术实施例提供的化工原料采购量的预测方法中步骤S107的另一子流程示意图；图11为本专利技术实施例提供的化工原料采购量的预测方法中步骤S108的另一子流程示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅本文档来自技高网...

【技术保护点】
1.一种化工原料的期货价格预测方法，其特征在于，包括：/n对化工原料原始数据样本中的仓单数据和龙虎榜数据进行独热编码，同时对所述化工原料原始数据样本中的其他数据进行归一化编码，得到第一编码数据；/n通过Box-Cox变换对所述第一编码数据进行处理，得到预处理后的第二编码数据；/n对所述第二编码数据进行分类，得到包含宏观因子、供需因子、舆情因子和技术因子的化工原料特征库；/n依次通过栈式自动编码器和主成分分析方法对所述第二编码数据进行特征提取，得到高级特征；/n将所述高级特征依次通过时间卷积网络、第一全连接层和防过拟合层得到特征数据；/n将所述特征数据输入双向长短时记忆循环神经网络中进行处理得到特征向量，并将所述特征向量输入第二全连接层进行预测，得出预测的化工原料期货价格。/n

【技术特征摘要】
1.一种化工原料的期货价格预测方法，其特征在于，包括：
对化工原料原始数据样本中的仓单数据和龙虎榜数据进行独热编码，同时对所述化工原料原始数据样本中的其他数据进行归一化编码，得到第一编码数据；
通过Box-Cox变换对所述第一编码数据进行处理，得到预处理后的第二编码数据；
对所述第二编码数据进行分类，得到包含宏观因子、供需因子、舆情因子和技术因子的化工原料特征库；
依次通过栈式自动编码器和主成分分析方法对所述第二编码数据进行特征提取，得到高级特征；
将所述高级特征依次通过时间卷积网络、第一全连接层和防过拟合层得到特征数据；
将所述特征数据输入双向长短时记忆循环神经网络中进行处理得到特征向量，并将所述特征向量输入第二全连接层进行预测，得出预测的化工原料期货价格。


2.根据权利要求1所述的化工原料的期货价格预测方法，其特征在于，所述其他数据包括舆情数据，对所述舆情数据的归一化编码包括：
对所述舆情数据进行分词和去除停用词处理，取出概率最高的前n个词语进行编号，将词语映射为id，对所述词语代表的id都补全成相同长度的id后，通过预训练的词库和embedding转换成词向量矩阵；
通过多个卷积层对所述词向量矩阵按照时间序列方向进行一维卷积，捕获不同尺度的信息；
通过时序最大池化层对经过卷积的所述词向量矩阵进行处理，并将得到的数据进行合并，将合并的数据输入到第三全连接层；
将第三全连接层输出的数据进行归一化处理。


3.根据权利要求1所述的化工原料的期货价格预测方法，其特征在于，所述将所述高级特征依次通过时间卷积网络、第一全连接层和防过拟合层得到特征数据，之前还包括：
将化工原料历史期货数据进行归一化编码得到第三编码数据；
将第三编码数据通过Box-Cox变换后得到第四编码数据；
将第四编码数据通过傅里叶变换转换成长期趋势特征、中期趋势特征和短期趋势特征；
将所述长期趋势特征、中期趋势特征和短期趋势特征拼接到所述高级特征中。


4.一种化工原料采购量的预测方法，其特征在于，包括：
对化工原料原始数据样本中的仓单数据和龙虎榜数据进行独热编码，同时对所述化工原料原始数据样本中的其他数据进行归一化编码，得到第一编码数据；
通过Box-Cox变换对所述第一编码数据进行处理，得到预处理后的第二编码数据；
对所述第二编码数据进行分类，得到包含宏观因子、供需因子、舆情因子和技术因子的化工原料特征库；
依次通过栈式自动编码器和主成分分析方法对所述第二编码数据进行特征提取，得到高级特征；
将所述高级特征依次通过时间卷积网络、第一全连接层和防过拟合层得到特征数据；
将所述特征数据输入双向长短时记忆循环神经网络中进行处理得到特征向量，并将所述特征向量输入第二全连接层进行预测，得出预测的化工原料期货价格；
对长短期采购比例进行计算；
根据预测的化工原料期货价格和所述长短期采购比例进行化工原料采购量的滚动式预测。


5.根据权利要求4所述的化工原料采购量的预测方法，其特征在于，所述对长短期采购比例进行计算，包括：
取同一时间段中的所述高级特征、长短期采购比例和采购成本，对所述长短期采购比例进行分类得到不同的长短期采购比例类，并将同一时间段中的所述高级特征、长短期采购比例类和采购成本作为三元组数据集；
将所述高级特征和所述长短期采购比例类作为输入数据输入由支持向量机、随机森林和分布式梯度增强库分类器构成的多分类模型中进行投票，并通过逻辑回归模型对投票结果进行归一化处理，获得预测的长短期采购比例类；
根据预测的长短期采购比例类，取对应的所述三元组数据集中的所述采购成本，通过惩罚权重计算所述采购成本的权重，并取所述采购成本对应的本时间段下所述长短期采购比例，得出采购成本最低时对应的长短期采购比例。


6.根据权利...

【专利技术属性】
技术研发人员：吴凌宇，王鹤，王国勋，
申请(专利权)人：润联软件系统深圳有限公司，
类型：发明
国别省市：广东;44