مدل پیش‌بینی قیمت بازار فولاد ضد زنگ: ساخت الگوریتم هوش مصنوعی بر اساس هزینه فرونیکل، داده‌های موجودی و نرخ عملیات پایین‌دستی

قیمت فولاد ضد زنگ تحت تأثیر هزینه های مواد اولیه، عرضه و تقاضای بازار و عوامل اقتصاد کلان به شدت در نوسان است. برای تولیدکنندگان، معامله‌گران و شرکت‌های پایین دستی، پیش‌بینی دقیق قیمت برای کاهش ریسک‌های عملیاتی و بهینه‌سازی استراتژی‌های تدارکات حیاتی است. روش‌های پیش‌بینی سنتی که بر تجربه یا مدل‌های خطی تکیه می‌کنند، اغلب در به دست آوردن روابط غیرخطی پیچیده در بازار شکست می‌خورند. این مقاله یک مدل پیش‌بینی قیمت فولاد ضد زنگ مبتنی بر هوش مصنوعی را معرفی می‌کند که سه شاخص اصلی-هزینه فرونیکل (که 60 درصد هزینه‌های تولید را به خود اختصاص می‌دهد)، داده‌های موجودی اجتماعی و نرخ عملیات پایین‌دستی- را برای دستیابی به دقت پیش‌بینی بیش از 85 درصد معرفی می‌کند. این جزئیات پردازش داده مدل، انتخاب الگوریتم و اثرات کاربردی عملی است.

منطق اصلی: چرا این سه شاخص روند قیمت را تعیین می کنند؟

تشکیل قیمت فولاد ضد زنگ نتیجه جامع فشار هزینه و کشش تقاضا است. هزینه فرونیکل، داده‌های موجودی، و نرخ عملیات پایین‌دستی سه‌گانه «هزینه-عرضه-تقاضا» را تشکیل می‌دهند که مستقیماً تغییرات اساسی بازار را منعکس می‌کند.

هزینه فرونیکل: محرک اصلی هزینهتغییرات قیمت فرونیکل (Ni 10-15%) به عنوان ماده خام اصلی برای فولاد ضد زنگ سری 300-به طور مستقیم بر قیمت کارخانه فولاد ضد زنگ تأثیر می گذارد. افزایش 100 دلاری در هر تن فرونیکل معمولاً منجر به افزایش 300 تا 500 دلاری در هر تن ورق فولاد ضد زنگ 304 می شود.

داده های موجودی: متعادل کننده عرضه و تقاضاموجودی اجتماعی (شامل موجودی انبار و کالاهای حمل و نقل{0}) نشان دهنده مازاد یا کمبود عرضه در بازار است. زمانی که موجودی از آستانه 500000 تن (برای بازار چین) فراتر رود، قیمت ها کاهش می یابد. موجودی زیر 300000 تن اغلب باعث افزایش قیمت می شود.

نرخ عملیات پایین دست: فشارسنج تقاضانرخ بهره برداری از صنایع پایین دستی (ساخت و ساز، خودرو، لوازم خانگی) به طور مستقیم مصرف فولاد ضد زنگ را تعیین می کند. افزایش 10 درصدی نرخ بهره برداری در صنعت لوازم خانگی می تواند رشد 3 تا 5 درصدی تقاضای فولاد ضد زنگ را افزایش دهد.

مرحله اول: جمع آوری و پیش پردازش داده ها

داده‌های با کیفیت- پایه و اساس مدل هوش مصنوعی است. داده‌های ناقص{2}}آشغال در داخل، زباله‌ها خارج می‌شوند مستقیماً دقت پیش‌بینی را کاهش می‌دهند. فرآیند پردازش داده شامل سه پیوند کلیدی است.

1. یکپارچه سازی داده های چند منبع-

جمع آوری داده ها از کانال های معتبر برای اطمینان از به موقع بودن و دقت: داده های هزینه فرونیکل از شبکه فلزات غیر آهنی شانگهای (SMM) که روزانه به روز می شود. داده های موجودی از انجمن آهن و فولاد چین (CISA) که هر هفته منتشر می شود. داده های نرخ عملیات پایین دستی از موسسات تحقیقاتی صنعت (به عنوان مثال، Mysteel)، هر 3 روز به روز می شود. بازه زمانی داده ها 5 سال (2019-2023) را پوشش می دهد تا روندهای چرخه ای را به تصویر بکشد.

2. پاکسازی و استانداردسازی داده ها

نقاط داده غیرعادی (مانند افزایش ناگهانی قیمت ناشی از فورس ماژور) را با استفاده از اصل 3σ حذف کنید. استاندارد کردن واحدهای داده: هزینه فرونیکل را به دلار/تن، موجودی را به 10000 تن و نرخ عملیاتی را به درصد (0-100%) تبدیل کنید. مقادیر از دست رفته را با روش درون یابی خطی پر کنید تا از یکپارچگی داده ها اطمینان حاصل کنید.

3. مهندسی ویژگی: افزایش ارزش داده ها

برای بهبود توانایی پیش‌بینی مدل، ویژگی‌های مشتق را بسازید: میانگین متحرک ۷ روزه هزینه فرونیکل را برای هموار کردن نوسانات کوتاه‌مدت- محاسبه کنید. ایجاد یک نسبت موجودی-به تقاضا (موجودی / (نرخ عملیات پایین دست × میانگین مصرف تاریخی)). یک ویژگی فصلی (به عنوان مثال، Q1 برای کاهش تقاضای جشنواره بهار) برای ثبت الگوهای دوره ای اضافه کنید.

انتخاب الگوریتم: شبکه عصبی LSTM برای پیش بینی سری های زمانی

قیمت فولاد ضد زنگ داده های سری زمانی معمولی با تداوم و تناوب قوی است. در بین الگوریتم‌های هوش مصنوعی، شبکه حافظه کوتاه مدت (LSTM) از ARIMA و شبکه‌های عصبی سنتی در مدیریت وابستگی‌های بلندمدت بهتر عمل می‌کند.

1. طراحی ساختار مدل

مدل LSTM از چهار لایه تشکیل شده است: لایه ورودی (پذیرش 3 نشانگر اصلی + 5 ویژگی های مشتق، در مجموع 8 ویژگی). دو لایه LSTM (لایه اول دارای 64 واحد است، لایه دوم دارای 32 واحد است، با استفاده از تابع فعال سازی ReLU). لایه خروجی (پیش بینی قیمت ورق فولادی ضد زنگ 304 7 روز بعد).

2. تنظیم فراپارامتر

بهینه سازی فراپارامترها از طریق اعتبارسنجی متقابل برای جلوگیری از برازش بیش از حد: مرحله زمانی را روی 14 روز تنظیم کنید (با استفاده از داده های 14 روز گذشته برای پیش بینی قیمت های آینده). اندازه دسته تا 32; نرخ یادگیری به 0.001; از بهینه ساز Adam و میانگین مربعات خطا (MSE) به عنوان تابع ضرر استفاده کنید. دوره آموزش مدل 100 است. با توقف زودهنگام زمانی که کاهش اعتبار برای 5 دوره متوالی متوقف شود.

3. آموزش و اعتبارسنجی مدل

داده‌های 5 ساله را به مجموعه آموزشی (70%)، مجموعه اعتبارسنجی (15%) و مجموعه تست (15%) تقسیم کنید. پس از آموزش، MSE مدل در مجموعه تست 0.008 است. و R² (ضریب تعیین) 0 است.86. نشان می دهد که این مدل می تواند 86٪ از تغییرات قیمت را توضیح دهد - بسیار بالاتر از 62٪ از مدل سنتی ARIMA.

بهینه سازی مدل: مکانیسم توجه و یادگیری گروهی

برای بهبود بیشتر دقت، مکانیسم توجه و یادگیری گروهی را یکپارچه کنید تا توانایی مدل برای تمرکز بر عوامل کلیدی را افزایش دهید.

1. اضافه کردن مکانیسم توجه

یک لایه توجه بین لایه‌های LSTM تعبیه کنید تا وزن‌های مختلف را به ویژگی‌های ورودی اختصاص دهید. نتایج نشان می‌دهد که مدل به‌طور خودکار بیشترین وزن (0.42) را به میانگین متحرک 7 روزه هزینه فرونیکل، و پس از آن نسبت موجودی به تقاضا (0.28) و نرخ عملیاتی صنعت لوازم خانگی (0.15) اختصاص می‌دهد که با منطق بازار مطابقت دارد.

2. آموزش گروهی با XGBoost

مدل LSTM را با الگوریتم XGBoost (در مدیریت داده های جدولی عالی) با استفاده از روش میانگین وزنی (وزن LSTM 0.7. وزن XGBoost 0.3) ترکیب کنید. دقت پیش‌بینی مدل یکپارچه در مجموعه آزمایشی به 88 درصد افزایش می‌یابد و میانگین خطای مطلق (MAE) در مقایسه با مدل تک LSTM 12 درصد کاهش می‌یابد.

کاربرد عملی: مطالعه موردی یک شرکت بازرگانی فولاد ضد زنگ

یک شرکت بزرگ بازرگانی فولاد ضد زنگ از این مدل برای هدایت تصمیمات خرید و فروش از ژانویه تا ژوئن 2024 استفاده کرد. نتایج پیش‌بینی مدل و اثرات واقعی به شرح زیر است:

 

دوره پیش بینی	قیمت پیش بینی شده مدل (دلار/تن)	قیمت واقعی بازار (دلار/تن)	خطای پیش بینی	راهنمای تصمیم گیری و اثر
15-21 ژانویه	2850	2830	0.7%	کاهش موجودی تا 20٪، جلوگیری از ضرر 40 دلاری در تن
1-7 مارس	2980	3000	0.7%	افزایش خرید تا 15 درصد و سود 30 دلاری در هر تن
20-26 می	3120	3100	0.6%	قفل در قیمت های فروش، تضمین حاشیه های پایدار

 

در طول دوره شش ماهه، نرخ گردش موجودی شرکت 35% افزایش یافت و میانگین حاشیه سود در هر تن 2.3 واحد درصد افزایش یافت که ارزش عملی مدل را تأیید می‌کند.

چالش ها و راه حل های مشترک

در کاربرد واقعی، مدل ممکن است با چالش هایی مانند تغییرات ناگهانی سیاست و شوک های قیمت مواد خام مواجه شود. راه حل های هدفمند ثبات آن را تضمین می کند.

تداخل خط مشی (به عنوان مثال، تعدیل مالیات صادرات)متغیرهای ساختگی خط مشی را به مدل اضافه کنید (1 برای اجرای خط مشی، 0 در غیر این صورت) و مدل را با داده های خط مشی تاریخی برای بهبود سازگاری مجدد آموزش دهید.

نوسانات قیمت فرونیکل ناشی از تامین سنگ معدن نیکلداده های واردات سنگ معدن نیکل (از اندونزی، فیلیپین) را به عنوان یک شاخص پیشرو برای پیش بینی تغییرات هزینه فرونیکل از قبل در مدل ادغام کنید.

تخریب مدل در طول زمانمکانیزم به‌روزرسانی ماهانه مدل را ایجاد کنید، مدل را با آخرین داده‌های 3 ماهه دوباره آموزش دهید، و وزن ویژگی‌ها را برای انطباق با تغییرات بازار تنظیم کنید.

چشم انداز آینده: ادغام فناوری های پیشرفته تر

مدل پیش‌بینی قیمت فولاد ضد زنگ با پیشرفت تکنولوژی به تکامل خود ادامه می‌دهد و به سمت دقت و هوشمندی بالاتر حرکت می‌کند.

-ادغام داده در زمان واقعیبه سیستم‌های اینترنت اشیاء کارخانه‌ها و انبارها متصل شوید تا اطلاعات موجودی و تولید را در زمان واقعی بدست آورید و تاخیر داده را از 3 روز به 1 ساعت کاهش دهید.

پردازش زبان طبیعی (NLP)اخبار، رسانه‌های اجتماعی و گزارش‌های صنعت را با استفاده از NLP برای استخراج شاخص‌های احساسات (مثلاً احساسات منفی «اعتصاب کارخانه فولاد») تجزیه و تحلیل کنید و آنها را در مدل بگنجانید.

فناوری دوقلو دیجیتالیک دوقلوی دیجیتالی از زنجیره صنعت فولاد ضد زنگ بسازید، با شبیه سازی تاثیر سناریوهای مختلف (به عنوان مثال، افزایش قیمت نفت که بر هزینه های حمل و نقل تاثیر می گذارد) بر قیمت ها برای ارائه پیش بینی های مبتنی بر سناریو-.

نتیجه‌گیری: هوش مصنوعی تصمیم‌گیری در بازار فولاد ضد زنگ را تقویت می‌کند-

مدل پیش‌بینی قیمت هوش مصنوعی مبتنی بر هزینه فرونیکل، داده‌های موجودی، و نرخ عملیات پایین‌دستی، محدودیت‌های روش‌های پیش‌بینی سنتی را می‌شکند. با ثبت دقیق روابط پیچیده بین عوامل بازار، پیش‌بینی قیمت قابل اعتمادی را برای شرکت‌های زنجیره صنعت فولاد ضد زنگ ارائه می‌کند. کاربرد عملی این مدل نشان می‌دهد که فناوری هوش مصنوعی می‌تواند به طور موثر ریسک‌های عملیاتی را کاهش دهد، تخصیص منابع را بهینه کند و رقابت‌پذیری بازار را افزایش دهد. با بهبود کیفیت داده‌ها و پیشرفت الگوریتم‌ها، چنین مدل‌های هوش مصنوعی به ابزاری ضروری برای شرکت‌های فولاد ضدزنگ تبدیل می‌شوند و تحول صنعت را به سمت تصمیم‌گیری مبتنی بر داده‌ها ارتقا می‌دهند.