鉬精礦價格動態(tài)預測方法、理論及模型內(nèi)容簡介

《鉬精礦價格動態(tài)預測方法、理論及模型》系統(tǒng)地梳理了鉬資源市場及其供求關(guān)系，分析了鉬精礦市場及價格影響因素，介紹了鉬精礦價格預測方法、預測理論及預測模型，實現(xiàn)了基于EMD-ARIMA-LSTM的鉬精礦市場價格時間序列多步預測及仿真實驗、基于改進PSO-GRNN及灰色-馬爾科夫模型的鉬精礦價格動態(tài)預測、基于GM（1，1）和指數(shù)平滑法的動態(tài)組合預測，并進行了鉬精礦價格敏感性分析。該書對鉬精礦價格預測、預測理論模型的構(gòu)建及仿真實驗具有較好的指導及參考意義。

《鉬精礦價格動態(tài)預測方法、理論及模型》可供鉬礦生產(chǎn)、加工、銷售企業(yè)相關(guān)技術(shù)人員及研究人員參考使用，也可供價格預測領(lǐng)域有關(guān)人員參考。

1 鉬資源市場及其供求關(guān)系分析

1．1 鉬精礦市場及價格影響因素分析

1．1．1 鉬精礦市場經(jīng)濟分析

1．1．2 鉬精礦價格的影響因素分析

1．1．3 鉬精礦價格的時間序列特點分析

1．2 鉬精礦市場供求關(guān)系分析

1．2．1 鉬的生產(chǎn)供應

1．2．2 鉬的消費需求

1．2．3 鉬的供需分析及展望

1．2．4 鉬精礦上下游企業(yè)市場情況分析

1．3 本章小結(jié)

2 預測方法及預測理論

2．1 鉬精礦市場及市場經(jīng)濟理論

2．1．1 市場與市場經(jīng)濟概念及聯(lián)系

2．1．2 市場經(jīng)濟基本規(guī)律

2．1．3 有效市場假說

2．2 ARIMA時間序列預測方法

2．2．1 時間序列基本概念

2．2．2 ARIMA的數(shù)學定義

2．2．3 ARIMA建模過程

2．3 神經(jīng)網(wǎng)絡預測理論

2．3．1 BP神經(jīng)網(wǎng)絡

2．3．2 LSTM神經(jīng)網(wǎng)絡

2．4 改進的PS0-GRNN預測模型

2．4．1 GRNN模型

2．4．2 基于改進粒子群算法的GRNN模型優(yōu)化

2．4．3 鉬精礦價格預測模型的構(gòu)建

2．5 灰色-馬爾科夫預測模型

2．5．1 GM（1，1）模型

2．5．2 Markov模型

2．6 組合預測模型

2．7 本章小結(jié)

3 基于EMD-ARIMA-LSTM的時間序列多步預測

3．1 EMD及時間序列多步預測策略

3．1．1 EMD

3．1．2 時間序列多步預測策略

3．2 預測模型及數(shù)據(jù)選取

3．2．1 預測模型構(gòu)建的基本思想

3．2．2 EMD-ARIMA-LSTM多步預測模型框架

3．2．3 建模數(shù)據(jù)選取與分析

3．3 EMD-ARIMA-LSTM多步預測模型構(gòu)建

3．3．1 數(shù)據(jù)處理

3．3．2 數(shù)據(jù)分解

3．3．3 IMF線性和非線性識別

3．3．4 ARIMA多步預測模型構(gòu)建

3．3．5 LSTM多步預測模型構(gòu)建

3．3．6 預測模型集成

3．4 模型仿真與結(jié)果分析

3．4．1 仿真環(huán)境介紹

3．4．2 仿真實驗設計

3．4．3 預測性能評價指標

3．4．4 仿真結(jié)果分析

3．5 本章小結(jié)

4 基于鉬數(shù)據(jù)與EMD-ARIMA-LSTM的鉬精礦市場價格動態(tài)預測

4．1 多維鉬數(shù)據(jù)樣本構(gòu)建

4．1．1 鉬價格數(shù)據(jù)

4．1．2 鉬供需數(shù)據(jù)

4．1．3 宏觀經(jīng)濟數(shù)據(jù)

4．2 鉬精礦市場價格動態(tài)預測模型構(gòu)建

4．2．1 預測模型原理

4．2．2 預測模型框架

4．2．3 數(shù)據(jù)的預處理

4．2．4 BP神經(jīng)網(wǎng)絡構(gòu)建

4．3 實例仿真與應用分析

4．3．1 實例數(shù)據(jù)介紹

4．3．2 仿真環(huán)境介紹

4．3．3 預測性能評價指標

4．3．4 仿真實驗設計

4．3．5 仿真應用

4．3．6 仿真結(jié)果分析及應用

4．4 本章小結(jié)

5 基于改進PSO-GRNN及灰色．馬爾科夫模型的鉬精礦價格動態(tài)預測

5．1 基于改進PSO-GRNN模型的鉬精礦價格預測

5．1．1 指標構(gòu)建與數(shù)據(jù)獲取

5．1．2 數(shù)據(jù)預處理

5．1．3 模型訓練

5．1．4 預測結(jié)果

5．2 基于灰色-馬爾科夫模型的中國鉬精礦價格預測

5．2．1 指標構(gòu)建與數(shù)據(jù)獲取

5．2．2 鉬精礦年平均價格狀態(tài)的劃分

5．2．3 鉬精礦價格狀態(tài)轉(zhuǎn)移概率矩陣的計算及預測值的確定

5．3 基于GM（1，1）和指數(shù)平滑法的動態(tài)組合預測

5．3．1 指數(shù)平滑法

5．3．2 動態(tài)組合預測

5．4 三種方法預測結(jié)果對比分析

5．5 本章小結(jié)

6 鉬精礦價格敏感性分析

6．1 敏感性分析方法

6．2 礦業(yè)經(jīng)濟單因素敏感性分析方法

6．3 鉬精礦價格敏感性分析

6．4 實例分析

6．5 本章小結(jié)

7 結(jié)論

附錄 仿真實驗的關(guān)鍵程序代碼

參考文獻2100433B

模型預測方法是一種利用數(shù)學模型推測事物未來發(fā)展狀況的定量預測方法。一個過程、設備或概念用一些變量作出數(shù)學表示的形式稱為數(shù)學模型(mathematicalmodel)。如生產(chǎn)系統(tǒng)的投入-產(chǎn)出模型(AX Y=X，其中X為生產(chǎn)矢量，Y為最終需求矢量，A為投入系數(shù)，表示完成單位生產(chǎn)額所必須的投入額)。這種模型既可以對生產(chǎn)系統(tǒng)做出描述和解釋，又可以做出預測，而且預測功能是多方面的。首先計算確立投入系數(shù)A，然后可根據(jù)總投入和總產(chǎn)品預測最終產(chǎn)品市場的供應量;再根據(jù)最終產(chǎn)品市場預測各部門生產(chǎn)量;還可根據(jù)最終產(chǎn)品市場預測中間產(chǎn)品需求量。

一般說來，對模型解釋得越清楚時，越有利于作出有價值的預測，但是也不能絕對化，因為數(shù)學模型研究除了尋求客觀的因果關(guān)系外，還有一個認識過程。如果人們的解釋符合客觀發(fā)展規(guī)律，才能做出比較符合未來狀況的預測。對于描述再生性的現(xiàn)象，預測可以達到很精確的程度(如預測行星的運行軌跡)?？墒窃趹糜陬A測經(jīng)濟、社會發(fā)展現(xiàn)象時，就要復雜而困難得多，因為人們在運用模型進行預測時，總是把數(shù)學表達的模型形式建立在假定預測對象未來的變化原因和機制與過去一樣的基礎(chǔ)上，但實際上不是這樣。因此，盡管數(shù)學模型為人們提供了定量的預測方法，但是不能把這一方法看成是最科學的預測方法，更不能取代其他預測方法。

我國多數(shù)鉬礦山生產(chǎn)的鉬精礦主元素鉬含量較低,雜質(zhì)較高。除少數(shù)的鉬精礦品位較高外,大多數(shù)鉬精礦含Mo 在45 %～47 %。與美國和智利產(chǎn)的鉬精礦比較,主元素含量低3～7 個百分點。 原因是從上世紀50 年代開始，執(zhí)行鉬精礦的標準是參照原蘇聯(lián)標準。盡管鉬精礦質(zhì)量不高,但符合現(xiàn)行國家標準。鉬精礦質(zhì)量與國外工業(yè)發(fā)達國家差距較大的原因，除執(zhí)行標準較低外，從選礦工藝角度出發(fā)，我國鉬精礦的含鉛高。其主要原因是在輝鉬礦選別過程中，特別是在精選作業(yè)中，沒有使用抑制鉛礦物的藥劑 。 鉬精礦中含鉬達不到54 % ，這主要與選礦工藝有關(guān)。其原因主要是粗精礦再磨段數(shù)太少。大多數(shù)國內(nèi)選礦工藝采用一段再磨，而國外選鉬廠多采用兩段甚至三段再磨。一段再磨的選礦工藝，由于輝鉬礦單體解離度低，也導致了鉬精礦含鉛偏高。

《地下水動態(tài)預測方法及其應用》通過系統(tǒng)整理目前國內(nèi)外常用的地下水動態(tài)預測方法，對各類方法的基本原理、應用步驟、適用條件及其局限性進行了較為深入的研究和探討，結(jié)合作者多年來的應用實踐，有針對性地選擇一些代表性應用實例，使讀者對各類方法有進一步的認識和理解。

《地下水動態(tài)預測方法及其應用》具有較強的理論性和實用性，可供從事地下水監(jiān)測、評價、分析的工程技術(shù)人員使用，也可供水資源科研與管理人員和有關(guān)高校相關(guān)專業(yè)的高年級本科生和研究生閱讀參考。