以往对化工市场的研究以分析供需关系的基本面为主。近两年，基于机器学习的分析逐渐增多，如基于深度学习对原油价格的预测，基于深度学习对日度天然气价格的预测等。在液化气领域，迄今为止，还没有人将深度学习应用于液化气价格的预测。为增强市场研判能力，提升统计分析水平，深度挖掘数据，并为开展库存经营、期货等业务提供决策支持，本文基于深度学习框架下的时间序列预测模型，分析液化气民用气市场价格，比较各模型在该领域预测效果的优劣，以期丰富、增强企业的商情分析手段。
液化石油气是原油炼制过程中由多种低沸点气体组成的一种副产品，主要成分为丙烷、丙烯、丁烷和丁烯等。作为一种清洁能源，液化气在下游有着广泛的应用。
人工智能作为一门多领域交叉的技术科学，当前以深度学习为主要实现手段，包含多个研究方向，如计算机视觉(cv)、自然语言处理(nlp)等。时间序列指的是按照时间顺序先后发生的数据序列，广泛存在于生活中，如气温数据、股票价格和电力负荷等。在深度学习出现之前，统计学家基于统计方法发明了多种针对时间序列数据的分析技术，试图从历史宏观金融数据中窥见未来趋势，如arima、指数平滑（ets）和theta等。近年，深度学习研究热潮兴起，时间序列预测领域被赋予了新的活力，大量基于神经网络的模型被应用于此。如亚马逊提出的基于循环神经网络的deepar，卡梅隆大学提出的基于多层感知机的n-hits，直至近几年大量涌现的transformer-based模型，时序预测模型以极快的速度更新着。如今，基于深度学习的时间序列预测技术已经被广泛用于各行各业，如极端气象预测、交通流量预测、期货价格预测、医学领域等，摩根大通在报告《大数据与人工智能战略：机器学习和其他投资数据分析方法》中对机器学习和大数据对金融领域的影响进行了全面的阐述，集中总结了机器学习在金融领域的应用，其中深度学习被认为是一种“针对时间序列数据更合适的方法”。
研究方法
1.前期准备
本研究收集了从2021年1月1日至2023年4月20日的各区域液化气民用气市场价，每个区域840天的样本，包括华南、华东、沿江、山东、华北和西部6个地区，共计5040条（天）样本。每条样本包含区域市场价、原油价格、预期cp、国际运费、下游二级站价格、乙烯价格、期货数据、冷冻货到岸价、各区域进口气价格等上下游数据，以及cpi、ppi、pmi等宏观数据共208条特征。训练集、验证集和测试集的划分为2:1:1，即1~420天、421~630天和631~840天。数据来源为金联创和万德数据库。
本研究使用了11种时间序列模型，在30天、14天、7天和3天四种预测视野下，测试了各模型的预测效果，在测试集（631~840天）上评估模型的泛化效果，采用时间序列交叉验证。
研究采用多标准综合评价模型，包括均方误差(mae)、均方根误差(rmse)和平均绝对百分比误差(mape)，分别见式（1）、式（2）和式（3）。
2.模型简介
如表1所示，本研究采用的模型可大体分为三类，重点模型简介如下。
（1）nbeats
nbeats为2020年element ai发布的时序预测模型，如图1。该模型继承了一部分mlp的结构，即block中的全连接层，基于前向残差连接多个block，并学习更新参数，将多个block的输出求和作为stack的输出。通过对不同stack内gb(x)的设置捕捉不同的时序特征，该模型为m3、m4竞赛中的最优模型，准确率比esrnn高了3%。研究中使用的模型实为改进后的nbeatsx，相比原模型增加了协变量输入的功能。
（2）nhits
nhits为2022年卡梅隆大学提出的时序预测模型（如图2），在nbeats的架构上增添了分层插值和多速率输入，对模型的输入进行下采样，减少了计算量，并在输出中采用分层差值，使模型输出更为平滑。在长距预测任务中，nhits比aaai最佳论文奖的informer准确率提高了25%，速度快了50倍。
实验结果
实验结果如图3所示，由图可见，在 3~7 天的短期预测上，各方法预测效果均不佳。虽误差显著低于 na ve 标准，但具体到每次预测，其给出的预测趋势与实际趋势相比，存在较大误差。而在 14~30天的中期预测上，nbeats 与 nhits 的预测精度显著高于其他模型，并在具体预测中展现出对未来整体趋势的预见性。整体上，结果符合误差累积的预期，即伴随着预测视野n的增加，误差不断累计，第t n日预测误差不断增加。
综上，对于国内液化气市场价格，部分深度学习模型在 14 天及以上的中期预测中，效果显著。而在 3~7 天的短期预测中，各模型均不理想。
1. 30天预测结果
相比之下，在30天的预测视野下，深度学习模型nbeatsx的表现最为突出，但不同区域间仍存在差异：模型在华南、华东、山东和华北地区表现最佳，在测试集中几乎每次都正确地预测了趋势。而在华中和西部地区，模型表现则差强人意，从图4中的表现来看，模型并未展现出对趋势的明显预测。值得一提的是，在几乎所有长度的视野中，模型在西部民用气价格预测上的表现普遍不理想。西部民用气价格的时序特征相比其他五个区域似乎存在较大差异，其现实原因有待探究。nbeats在该视野下表现出非常不错的效果。但需要指出的是，在该视野下，短期的价格波动被当作噪声忽略了，在一些价格震荡的时期内，nbeats并不能预测出价格震荡幅度和区间，仅能输出一条平滑的直线作为对未来整体趋势的预测。预测30天各模型误差见表2。
2． 14天预测结果
在14天的预测视野下，nhits展现出了不俗的预测精度，且表现最佳的模型为单变量自回归。其误差如表3所示。如图5中红箭头所示，虽然nhits在大多数情况下预测趋势都是正确的，但在一些时区内模型开始出现明显错误的趋势预测，而且出现错误预测的时区在各区域展现一定的分布规律，集中于640天与760天附近，对应2022年9月28日左右与2023年2月初，初步判断与国内节假日有关。
总结
实验表明，对于液化气民用气市场价格，30天与14天均为良好的、可预测的时区，前馈神经网络的模型在整体上表现出更优的预测效果。而7天与3天的视野下，数据信噪比显著降低，以目前的模型难以做出有价值的判断。通过引入深度学习时序预测模型，可以帮助企业更好地判断未来趋势，更准确制定销售策略和生产计划。具体来说，提高对未来价格走势的判断准确度，可以协助企业确定采购时机，降低成本；准确预判市场供需情况，指导生产企业调整产销量，把握机会；利用模型预测不同区域价格差异，可以优化销售区域规划，实现更高利润。
综上，应用深度学习提升液化气价格预测能力，将为企业的成本控制、资源配置、经营决策等带来积极作用，对增强企业的市场竞争力具有重要意义。
