中国钢铁出口预测方法研究——基于互联网大数据技术对钢铁市场预测的应用分析
发布时间：2021-09-09 09:19
综合运用互联网大数据,丰富外贸预测数据来源,对提升外贸监测预警分析能力,提高决策的针对性、科学性和时效性具有重要意义。本文基于钢铁行业相关文献研究,从阐述互联网大数据对中国钢铁出口值预测作用机制出发,基于百度搜索数据和中国钢铁出口值的月度数据,建立引入互联网大数据的SVR回归预测模型对中国钢铁出口值进行预测,并与传统时间序列模型进行对比分析。实证表明:引入互联网大数据样本进行钢铁出口预测时,SVR模型预测效果明显优于其他对比模型;基于互联网大数据建立的SVR预测模型可以更好地逼近真实值的波动,能够更加准确地对钢铁出口值进行预测,为外贸进出口监测预警提供应用方法参考。
【文章来源】：价格理论与实践. 2020,(07)北大核心
【文章页数】：4 页
【部分图文】：
可知，钢铁出口市场预期是影响出口钢铁值变化的重要方面，而通过互联网大数据能够在图1互联网大数据对钢铁出口值的预测作用机理
铁出口预测实证结果分析由于支持向量机回归模型涉及的参数较多且防止参数出现过拟合问题，本文经过分析选用sig-moid核函数，基于R语言的e1071函数包中的SVR算法，利用5折交叉验证法，搜索最优的惩罚因子cost,核参数gamma、损失函数的参数epsilon的参数值。令cost的值区间范围为[-2e10,2e10]，cost和gamma的步长分别为2和0.002，经过多次测算，筛选出了平均绝对百分误差（MAPE）为95%以上的参数组合，最终确定Cost值为1000，gamma值为0.01，epsilon值为0.01。将训练样本输入到模型1-4中进行运算后，得到训练效果图如图2、图3。由图2可知，加入互联网大数据的钢铁出口值SVR预测模型1在训练集中拟合性表现良好，几乎与真实值同步变化，预测误差校与之对应的未加入互联网大数据的SVR预测模型2在训练集中拟合性表现不如模型1优秀，但是基本会与真实值同频变化，预测误差相对较校也就是说，加入互联网大数据后使得钢铁出口值SVR预测模型训练效果更好。由图3可知，加入互联网大数据的ARIMA预测模型3在训练集中训练效果表现明显不如SVR预测模型，其表现为仅能与真实值保持相对一致的变化，预测误差较大，特别在钢铁出口值波动明显的月份，预测值不能够及时有效地发现真实值的波动。同样，与之对应的未加入互联网大数据的ARIMA模型4在训练集中拟合性表现不如模型3，几乎只能按照真实值的平均值上下小幅度波动，预测误差相对较大。综合图2和3的结果可知，在引入互联网大数据进行小样本预测时SVR训练效果比ARIMA模型表现更好，而引入互联网大数据则会使得SVR模型训练预测效果更好。下文分别根据训练集形成的模型1-4对2019年6-11月中国钢铁出口值（预测集）进行预测，4个模型的预测误差如表1。由表1可知：模型1的平均绝对百分误差
谠げ馐抵そ峁?治?由于支持向量机回归模型涉及的参数较多且防止参数出现过拟合问题，本文经过分析选用sig-moid核函数，基于R语言的e1071函数包中的SVR算法，利用5折交叉验证法，搜索最优的惩罚因子cost,核参数gamma、损失函数的参数epsilon的参数值。令cost的值区间范围为[-2e10,2e10]，cost和gamma的步长分别为2和0.002，经过多次测算，筛选出了平均绝对百分误差（MAPE）为95%以上的参数组合，最终确定Cost值为1000，gamma值为0.01，epsilon值为0.01。将训练样本输入到模型1-4中进行运算后，得到训练效果图如图2、图3。由图2可知，加入互联网大数据的钢铁出口值SVR预测模型1在训练集中拟合性表现良好，几乎与真实值同步变化，预测误差校与之对应的未加入互联网大数据的SVR预测模型2在训练集中拟合性表现不如模型1优秀，但是基本会与真实值同频变化，预测误差相对较校也就是说，加入互联网大数据后使得钢铁出口值SVR预测模型训练效果更好。由图3可知，加入互联网大数据的ARIMA预测模型3在训练集中训练效果表现明显不如SVR预测模型，其表现为仅能与真实值保持相对一致的变化，预测误差较大，特别在钢铁出口值波动明显的月份，预测值不能够及时有效地发现真实值的波动。同样，与之对应的未加入互联网大数据的ARIMA模型4在训练集中拟合性表现不如模型3，几乎只能按照真实值的平均值上下小幅度波动，预测误差相对较大。综合图2和3的结果可知，在引入互联网大数据进行小样本预测时SVR训练效果比ARIMA模型表现更好，而引入互联网大数据则会使得SVR模型训练预测效果更好。下文分别根据训练集形成的模型1-4对2019年6-11月中国钢铁出口值（预测集）进行预测，4个模型的预测误差如表1。由表1可知：模型1的平均绝对百分误差表1模
【参考文献】：
期刊论文
[1]基于外汇舆情的人民币汇率波动预测研究[J]. 成舟,余峥,过弋,王志宏. 计算机科学. 2019(S2)
[2]基于小波变换和DGM（2,1）的我国钢铁产量预测[J]. 王艳,徐小梅. 江苏建筑职业技术学院学报. 2019(03)
[3]基于文本挖掘和百度指数的汇率预测[J]. 杨超,姜昊,雷峥嵘. 统计与决策. 2019(13)
[4]基于灰色系统理论的我国钢铁产业与GDP关系研究[J]. 王贵成,贺振,高俊丽. 矿冶工程. 2019(02)
[5]去产能背景下我国钢铁价格走势研究——基于钢铁行业供给侧结构性改革成效的分析[J]. 贾帅帅,孙辉. 价格理论与实践. 2017(09)
[6]“一带一路”战略能够化解我国过剩的钢铁产能吗——基于时变参数向量自回归模型平均的预测[J]. 倪中新,卢星,薛文骏. 国际贸易问题. 2016(03)
[7]基于内存计算的钢铁价格预测算法研究[J]. 朱靖翔,张滨,乐嘉锦. 计算机科学. 2014(S2)
[8]基于MVC3架构的基建进度管理系统设计与实现[J]. 罗长亮,范学宏. 低碳世界. 2014(15)
[9]大数据时代银行业应对策略[J]. 张建国. 中国金融. 2014(15)
[10]基于PSA-SVRM模型的钢铁企业副产煤气消耗量预测[J]. 杨波. 过程工程学报. 2014(03)
本文编号：3391837
【文章来源】：价格理论与实践. 2020,(07)北大核心
【文章页数】：4 页
【部分图文】：
可知，钢铁出口市场预期是影响出口钢铁值变化的重要方面，而通过互联网大数据能够在图1互联网大数据对钢铁出口值的预测作用机理
铁出口预测实证结果分析由于支持向量机回归模型涉及的参数较多且防止参数出现过拟合问题，本文经过分析选用sig-moid核函数，基于R语言的e1071函数包中的SVR算法，利用5折交叉验证法，搜索最优的惩罚因子cost,核参数gamma、损失函数的参数epsilon的参数值。令cost的值区间范围为[-2e10,2e10]，cost和gamma的步长分别为2和0.002，经过多次测算，筛选出了平均绝对百分误差（MAPE）为95%以上的参数组合，最终确定Cost值为1000，gamma值为0.01，epsilon值为0.01。将训练样本输入到模型1-4中进行运算后，得到训练效果图如图2、图3。由图2可知，加入互联网大数据的钢铁出口值SVR预测模型1在训练集中拟合性表现良好，几乎与真实值同步变化，预测误差校与之对应的未加入互联网大数据的SVR预测模型2在训练集中拟合性表现不如模型1优秀，但是基本会与真实值同频变化，预测误差相对较校也就是说，加入互联网大数据后使得钢铁出口值SVR预测模型训练效果更好。由图3可知，加入互联网大数据的ARIMA预测模型3在训练集中训练效果表现明显不如SVR预测模型，其表现为仅能与真实值保持相对一致的变化，预测误差较大，特别在钢铁出口值波动明显的月份，预测值不能够及时有效地发现真实值的波动。同样，与之对应的未加入互联网大数据的ARIMA模型4在训练集中拟合性表现不如模型3，几乎只能按照真实值的平均值上下小幅度波动，预测误差相对较大。综合图2和3的结果可知，在引入互联网大数据进行小样本预测时SVR训练效果比ARIMA模型表现更好，而引入互联网大数据则会使得SVR模型训练预测效果更好。下文分别根据训练集形成的模型1-4对2019年6-11月中国钢铁出口值（预测集）进行预测，4个模型的预测误差如表1。由表1可知：模型1的平均绝对百分误差
谠げ馐抵そ峁?治?由于支持向量机回归模型涉及的参数较多且防止参数出现过拟合问题，本文经过分析选用sig-moid核函数，基于R语言的e1071函数包中的SVR算法，利用5折交叉验证法，搜索最优的惩罚因子cost,核参数gamma、损失函数的参数epsilon的参数值。令cost的值区间范围为[-2e10,2e10]，cost和gamma的步长分别为2和0.002，经过多次测算，筛选出了平均绝对百分误差（MAPE）为95%以上的参数组合，最终确定Cost值为1000，gamma值为0.01，epsilon值为0.01。将训练样本输入到模型1-4中进行运算后，得到训练效果图如图2、图3。由图2可知，加入互联网大数据的钢铁出口值SVR预测模型1在训练集中拟合性表现良好，几乎与真实值同步变化，预测误差校与之对应的未加入互联网大数据的SVR预测模型2在训练集中拟合性表现不如模型1优秀，但是基本会与真实值同频变化，预测误差相对较校也就是说，加入互联网大数据后使得钢铁出口值SVR预测模型训练效果更好。由图3可知，加入互联网大数据的ARIMA预测模型3在训练集中训练效果表现明显不如SVR预测模型，其表现为仅能与真实值保持相对一致的变化，预测误差较大，特别在钢铁出口值波动明显的月份，预测值不能够及时有效地发现真实值的波动。同样，与之对应的未加入互联网大数据的ARIMA模型4在训练集中拟合性表现不如模型3，几乎只能按照真实值的平均值上下小幅度波动，预测误差相对较大。综合图2和3的结果可知，在引入互联网大数据进行小样本预测时SVR训练效果比ARIMA模型表现更好，而引入互联网大数据则会使得SVR模型训练预测效果更好。下文分别根据训练集形成的模型1-4对2019年6-11月中国钢铁出口值（预测集）进行预测，4个模型的预测误差如表1。由表1可知：模型1的平均绝对百分误差表1模
【参考文献】：
期刊论文
[1]基于外汇舆情的人民币汇率波动预测研究[J]. 成舟,余峥,过弋,王志宏. 计算机科学. 2019(S2)
[2]基于小波变换和DGM（2,1）的我国钢铁产量预测[J]. 王艳,徐小梅. 江苏建筑职业技术学院学报. 2019(03)
[3]基于文本挖掘和百度指数的汇率预测[J]. 杨超,姜昊,雷峥嵘. 统计与决策. 2019(13)
[4]基于灰色系统理论的我国钢铁产业与GDP关系研究[J]. 王贵成,贺振,高俊丽. 矿冶工程. 2019(02)
[5]去产能背景下我国钢铁价格走势研究——基于钢铁行业供给侧结构性改革成效的分析[J]. 贾帅帅,孙辉. 价格理论与实践. 2017(09)
[6]“一带一路”战略能够化解我国过剩的钢铁产能吗——基于时变参数向量自回归模型平均的预测[J]. 倪中新,卢星,薛文骏. 国际贸易问题. 2016(03)
[7]基于内存计算的钢铁价格预测算法研究[J]. 朱靖翔,张滨,乐嘉锦. 计算机科学. 2014(S2)
[8]基于MVC3架构的基建进度管理系统设计与实现[J]. 罗长亮,范学宏. 低碳世界. 2014(15)
[9]大数据时代银行业应对策略[J]. 张建国. 中国金融. 2014(15)
[10]基于PSA-SVRM模型的钢铁企业副产煤气消耗量预测[J]. 杨波. 过程工程学报. 2014(03)
本文编号：3391837
本文链接：https://www.wllwen.com/projectlw/yjlw/3391837.html
