Nerūdijančio plieno rinkos kainų prognozavimo modelis: AI algoritmo konstravimas, pagrįstas feronikelio sąnaudomis, atsargų duomenimis ir tolesniu darbo greičiu

Nerūdijančio plieno kainos smarkiai svyruoja dėl žaliavų sąnaudų, rinkos pasiūlos ir paklausos bei makroekonominių veiksnių. Gamintojams, prekybininkams ir tolesnėms įmonėms tikslios kainų prognozės yra labai svarbios siekiant sumažinti veiklos riziką ir optimizuoti pirkimo strategijas. Tradiciniai prognozavimo metodai, pagrįsti patirtimi arba linijiniais modeliais, dažnai nesugeba užfiksuoti sudėtingų netiesinių santykių rinkoje. Šiame straipsnyje pristatomas AI-pagrįstas nerūdijančio plieno kainos numatymo modelis, apimantis tris pagrindinius rodiklius-feronikelio sąnaudas (sudaro 60 % gamybos sąnaudų), socialinių atsargų duomenis ir tolesnius veiklos rodiklius-, kad būtų pasiektas daugiau nei 85 % numatymo tikslumas. Jame išsamiai aprašomas modelio duomenų apdorojimas, algoritmo pasirinkimas ir praktiniai pritaikymo efektai.

Pagrindinė logika: kodėl šie trys rodikliai lemia kainų tendencijas

Nerūdijančio plieno kainų susidarymas yra visapusiškas sąnaudų ir paklausos traukos rezultatas. Feronikelio kaina, atsargų duomenys ir tolesnis veiklos rodiklis sudaro sąnaudų-pasiūlos-paklausos trejybę, tiesiogiai atspindinčią esminius rinkos pokyčius.

Feronikelio kaina: pagrindinė išlaidų priežastisKaip pagrindinė 300 -serijos nerūdijančio plieno žaliava, feronikelio (Ni 10–15 %) kainų pokyčiai tiesiogiai veikia nerūdijančio plieno gamintojo kainą. 100 USD už toną feronikelio padidėjimas paprastai lemia 300–500 USD už toną 304 nerūdijančio plieno lakštų padidėjimą.

Atsargų duomenys: pasiūlos ir paklausos balansavimo priemonėSocialinės atsargos (įskaitant sandėlio atsargas ir{0}}gabenamas prekes) atspindi rinkos pasiūlos perteklių arba trūkumą. Kai atsargos viršija 500 000 tonų ribą (Kinijos rinkai), kainos linkusios mažėti; mažesnės nei 300 000 tonų atsargos dažnai sukelia kainų padidėjimą.

Darbinis greitis pasroviui: paklausos barometrasTolesnės pramonės šakų (statybos, automobilių, buitinės technikos) veiklos rodikliai tiesiogiai lemia nerūdijančio plieno suvartojimą. 10 % padidėjus buitinės technikos pramonei, nerūdijančio plieno paklausa gali padidėti 3–5 %.

Pirmas žingsnis: duomenų rinkimas ir išankstinis apdorojimas

Aukštos-kokybės duomenys yra AI modelio pagrindas. Šiukšlių patekimas, šiukšlių pašalinimas-netinkami duomenys tiesiogiai sumažins numatymo tikslumą. Duomenų apdorojimo procesas apima tris pagrindines nuorodas.

1. Kelių-šaltinio duomenų integravimas

Surinkite duomenis iš patikimų kanalų, kad užtikrintumėte savalaikiškumą ir tikslumą: Ferronickel kainos duomenys iš Šanchajaus spalvotųjų metalų tinklo (SMM), atnaujinami kasdien; Kinijos geležies ir plieno asociacijos (CISA) inventoriaus duomenys, skelbiami kas savaitę; pramonės tyrimų institucijų (pvz., „Mysteel“), atnaujinami kas 3 dienas. Duomenų laikotarpis apima 5 metus (2019–2023 m.), kad būtų galima užfiksuoti ciklines tendencijas.

2. Duomenų valymas ir standartizavimas

Pašalinkite neįprastus duomenų taškus (pvz., staigius kainų šuoliais, atsiradusius dėl force majeure) naudodami 3σ principą. Standartizuokite duomenų vienetus: konvertuokite feronikelio kainą į $/t, atsargas į 10 000 tonų, o eksploatavimo greitį į procentą (0–100%). Norėdami užtikrinti duomenų vientisumą, užpildykite trūkstamas reikšmes linijinės interpoliacijos metodu.

3. Funkcijų inžinerija: duomenų vertės didinimas

Sukurkite išvestines savybes, kad pagerintumėte modelio nuspėjamumą: apskaičiuokite 7-dienų slankųjį feronikelio kainos vidurkį, kad išlygintumėte trumpalaikius svyravimus; sukurti atsargų -paklausos santykį (atsargos / (paslaugų veikimo rodiklis × ankstesnis vidutinis suvartojimas)); pridėkite sezoninę funkciją (pvz., pirmąjį ketvirtį pavasario festivalio paklausos mažėjimui), kad užfiksuotumėte periodinius modelius.

Algoritmo pasirinkimas: LSTM neuroninis tinklas laiko eilučių prognozavimui

Nerūdijančio plieno kainos yra tipiški laiko eilučių duomenys, pasižymintys dideliu tęstinumu ir periodiškumu. Tarp AI algoritmų ilgalaikės{1}}trumpos atminties (LSTM) tinklas lenkia ARIMA ir tradicinius neuroninius tinklus, apdorodamas ilgalaikes priklausomybes.

1. Modelio struktūros projektavimas

LSTM modelis susideda iš keturių sluoksnių: Įvesties sluoksnis (priima 3 pagrindinius rodiklius + 5 išvestinės savybės, iš viso 8 ypatybės); du LSTM sluoksniai (pirmasis sluoksnis turi 64 vnt., antrasis sluoksnis 32 vnt., naudojant ReLU aktyvinimo funkciją); išvesties sluoksnis (po 7 dienų numatoma 304 nerūdijančio plieno lakšto kaina).

2. Hiperparametrų derinimas

Optimizuokite hiperparametrus kryžminiu-patvirtinimo būdu, kad išvengtumėte perteklinio pritaikymo: nustatykite laiko žingsnį į 14 dienų (naudodamiesi pastarųjų 14 dienų duomenimis būsimoms kainoms numatyti); partijos dydis iki 32; mokymosi rodiklis iki 0,001; naudokite Adam optimizerį ir vidutinę kvadratinę paklaidą (MSE) kaip nuostolių funkciją. Modelio mokymo epocha yra 100. su ankstyvu sustabdymu, kai patvirtinimo nuostoliai nustoja mažėti 5 epochas iš eilės.

3. Modelių mokymas ir patvirtinimas

Padalinkite 5-metų duomenis į mokymo rinkinį (70 %), patvirtinimo rinkinį (15 %) ir testų rinkinį (15 %). Po treniruotės modelio MSE testo rinkinyje yra 0,008. o R² (determinacijos koeficientas) yra 0.86. Tai rodo, kad šis modelis gali paaiškinti 86 % kainų svyravimų – daug daugiau nei 62 % tradicinio ARIMA modelio.

Modelio optimizavimas: dėmesio mechanizmas ir ansamblinis mokymasis

Norėdami dar labiau pagerinti tikslumą, integruokite dėmesio mechanizmą ir mokymąsi kartu, kad pagerintumėte modelio gebėjimą sutelkti dėmesį į pagrindinius veiksnius.

1. Dėmesio mechanizmo pridėjimas

Įterpkite dėmesio sluoksnį tarp LSTM sluoksnių, kad įvesties funkcijoms priskirtumėte skirtingą svorį. Rezultatai rodo, kad modelis automatiškai priskiria didžiausią svorį (0,42) feronikelio kainos 7-dienų slankiajam vidurkiui, po to seka atsargų-paklausos santykis (0,28) ir buitinės technikos pramonės veikimo rodiklis (0,15), kuris atitinka rinkos logiką.

2. Ansamblio mokymasis naudojant XGBoost

Sujunkite LSTM modelį su XGBoost algoritmu (puikiai tvarko lentelės duomenis), naudodami svertinio vidurkio metodą (LSTM svoris 0,7. XGBoost svoris 0,3). Integruoto modelio numatymo tikslumas bandymo rinkinyje padidėja iki 88%, o vidutinė absoliuti paklaida (MAE) sumažėja 12%, palyginti su vienu LSTM modeliu.

Praktinis pritaikymas: nerūdijančio plieno prekybos įmonės atvejo analizė

Didelė nerūdijančio plieno prekybos įmonė taikė šį modelį priimdama pirkimo ir pardavimo sprendimus 2024 m. sausio–birželio mėn. Numatyti modelio rezultatai ir faktinis poveikis:

 

Numatymo laikotarpis	Numatoma modelio kaina ($ už toną)	Faktinė rinkos kaina ($/t)	Numatymo klaida	Sprendimo gairės ir poveikis
sausio 15-21 d	2850	2830	0.7%	Sumažintos atsargos 20%, išvengta 40 USD už toną nuostolių
Kovo 1-7 d	2980	3000	0.7%	Padidino pirkimą 15%, uždirbo 30 USD už toną pelno
gegužės 20-26 d	3120	3100	0.6%	Užfiksuotos pardavimo kainos, užtikrinančios stabilias maržas

 

Per šešių{0} mėnesių laikotarpį įmonės atsargų apyvartos rodiklis padidėjo 35 proc., o vidutinė pelno marža už toną padidėjo 2,3 procentinio punkto, patvirtinant modelio praktinę vertę.

Dažni iššūkiai ir sprendimai

Faktiškai taikant modelį gali kilti iššūkių, tokių kaip staigūs politikos pokyčiai ir žaliavų kainų sukrėtimai. Tikslingi sprendimai užtikrina jo stabilumą.

Politikos kišimasis (pvz., eksporto mokesčių koregavimas)Prie modelio pridėkite fiktyvių politikos kintamųjų (1 politikos įgyvendinimui, 0 kitu atveju) ir perkvalifikuokite modelį naudodami istorinius politikos duomenis, kad pagerintumėte pritaikomumą.

Nikelio rūdos tiekimo sąlygotas feronikelio kainų svyravimasIntegruokite nikelio rūdos importo duomenis (iš Indonezijos, Filipinų) į modelį kaip pagrindinį rodiklį, leidžiantį iš anksto numatyti feronikelio kainų pokyčius.

Modelio pablogėjimas laikui bėgantSukurkite mėnesinio modelio atnaujinimo mechanizmą, perkvalifikuokite modelį su naujausiais 3 mėnesių duomenimis ir pakoreguokite funkcijų svorį, kad prisitaikytumėte prie rinkos pokyčių.

Ateities perspektyvos: pažangesnių technologijų integravimas

Nerūdijančio plieno kainų prognozavimo modelis ir toliau tobulės kartu su technologine pažanga, siekdamas didesnio tikslumo ir intelektualumo.

Duomenų integravimas realiuoju laiku-Prisijunkite prie plieno gamyklų ir sandėlių daiktų interneto sistemų, kad realiuoju laiku{0}}gautumėte atsargų ir gamybos duomenis ir sumažintumėte duomenų delsą nuo 3 dienų iki 1 valandos.

Natūralios kalbos apdorojimas (NLP)Analizuokite naujienas, socialinę žiniasklaidą ir pramonės ataskaitas naudodami NLP, kad gautumėte nuotaikų rodiklius (pvz., „plieno gamyklos streiko“ neigiamas nuotaikas) ir įtraukite juos į modelį.

Skaitmeninė Twin technologijaSukurkite skaitmeninį nerūdijančio plieno pramonės grandinės dvynį, imituojantį skirtingų scenarijų (pvz., didėjančių naftos kainų, turinčių įtakos transportavimo išlaidoms) poveikį kainoms, kad pateiktumėte scenarijaus{2}}pagrįstas prognozes.

Išvada: AI įgalina nerūdijančio plieno rinkos sprendimą{0}}priimti

Dirbtinio intelekto kainų prognozavimo modelis, pagrįstas feronikelio sąnaudomis, atsargų duomenimis ir tolesnio veikimo greičiu, peržengia tradicinių prognozavimo metodų apribojimus. Tiksliai fiksuodamas sudėtingus rinkos veiksnių ryšius, jis pateikia patikimas kainų prognozes nerūdijančio plieno pramonės grandinės įmonėms. Praktinis modelio pritaikymas rodo, kad dirbtinio intelekto technologija gali veiksmingai sumažinti veiklos riziką, optimizuoti išteklių paskirstymą ir padidinti rinkos konkurencingumą. Pagerėjus duomenų kokybei ir tobulėjant algoritmams, tokie AI modeliai taps nepakeičiamu įrankiu nerūdijančio plieno įmonėms, skatinančiais pramonės transformaciją į duomenų -sprendimų-priėmimą.