Zanglamaydigan po'latdan yasalgan bozor narxini bashorat qilish modeli: ferronikel narxi, inventar ma'lumotlari va quyi oqimdagi ish tezligiga asoslangan AI algoritmini qurish
Nov 15, 2025| Zanglamaydigan po'lat narxlari xom ashyo xarajatlari, bozor talab va taklifi va makroiqtisodiy omillar ta'sirida keskin o'zgarib turadi. Ishlab chiqaruvchilar, treyderlar va quyi oqim korxonalari uchun aniq narxlar prognozlari operatsion risklarni kamaytirish va xaridlar strategiyasini optimallashtirish uchun juda muhimdir. Tajribaga yoki chiziqli modellarga tayanadigan an'anaviy bashorat usullari ko'pincha bozordagi murakkab chiziqli bo'lmagan munosabatlarni qo'lga kirita olmaydi. Ushbu maqolada 85% dan ortiq bashorat aniqligiga erishish uchun -3 asosiy koʻrsatkichni (ishlab chiqarish xarajatlarining 60% ni tashkil etadi), ijtimoiy inventar maʼlumotlari va quyi oqimdagi ish tezligini-birlashtirgan AI{3}}zanglamaydigan poʻlatdan narxlarni bashorat qilish modeli taqdim etilgan. Unda model ma’lumotlarini qayta ishlash, algoritm tanlash va amaliy qo‘llash effektlari batafsil yoritilgan.
Asosiy mantiq: Nima uchun bu uchta ko'rsatkich narx tendentsiyalarini aniqlaydi
Zanglamaydigan po'latdan narxni shakllantirish xarajatlarni surish va talabni jalb qilishning keng qamrovli natijasidir. Ferronikkel tannarxi, inventar ma'lumotlari va quyi oqimdagi operatsion stavka bozordagi asosiy o'zgarishlarni bevosita aks ettiruvchi "xarajat-taklif-talab" uchligini tashkil qiladi.
Ferronikel narxi: asosiy xarajat omili300-seriyali zanglamaydigan po'lat uchun asosiy xom ashyo sifatida ferronikel (Ni 10-15%) narxining o'zgarishi zanglamaydigan po'latning zavod narxiga bevosita ta'sir qiladi. Ferronikkelning 100 dollar / tonna o'sishi odatda 304 zanglamaydigan po'lat plitalarning 300-500 dollar / tonna ko'tarilishiga olib keladi.
Inventarizatsiya ma'lumotlari: taklif va taklif balansiIjtimoiy inventar (jumladan, ombor inventarlari va{0}}tranzit tovarlar) bozordagi taklifning ortiqcha yoki taqchilligini aks ettiradi. Inventarizatsiya 500 000 tonna chegaradan oshib ketganda (Xitoy bozori uchun), narxlar pasayish tendentsiyasiga ega; 300 000 tonnadan past bo'lgan inventar ko'pincha narxlarning oshishiga olib keladi.
Pastki oqimdagi ish tezligi: talab barometriQuyi sanoat tarmoqlarining (qurilish, avtomobilsozlik, maishiy texnika) ish stavkalari to'g'ridan-to'g'ri zanglamaydigan po'latdan foydalanishni aniqlaydi. Maishiy texnika sanoatining ishlash tezligining 10% ga oshishi zanglamaydigan po'latdan talabning 3-5% ga o'sishiga olib kelishi mumkin.
Birinchi qadam: ma'lumotlarni yig'ish va qayta ishlash
Yuqori sifatli maʼlumotlar AI modelining asosi-dir. Noto'g'ri ma'lumotlar-kiritish, chiqindi chiqarish bashorat aniqligini pasaytiradi. Ma'lumotlarni qayta ishlash jarayoni uchta asosiy havolani o'z ichiga oladi.
1. Koʻp-Manba maʼlumotlari integratsiyasi
O'z vaqtida va aniqligini ta'minlash uchun nufuzli kanallardan ma'lumotlarni to'plang: Shanxay rangli metallar tarmog'idan (SMM) har kuni yangilanib turadigan Ferronickel narxi ma'lumotlari; har hafta e'lon qilingan Xitoy Temir va Po'lat Assotsiatsiyasining (CISA) inventarizatsiya ma'lumotlari; sanoat tadqiqot institutlarining (masalan, Mysteel) quyi oqim ish tezligi ma'lumotlari, har 3 kunda yangilanadi. Ma'lumotlar vaqti davriy tendentsiyalarni hisobga olish uchun 5 yilni (2019-2023) qamrab oladi.
2. Ma'lumotlarni tozalash va standartlashtirish
3s tamoyilidan foydalanib, g'ayritabiiy ma'lumotlar nuqtalarini (masalan, fors-major tufayli to'satdan narxlarning ko'tarilishi) yo'q qiling. Ma'lumotlar birliklarini standartlashtirish: ferronikkel narxini $/tonnaga, inventarni 10000 tonnaga va ish tezligini foizga (0-100%) aylantiring. Ma'lumotlar yaxlitligini ta'minlash uchun etishmayotgan qiymatlarni chiziqli interpolyatsiya usuli bilan to'ldiring.
3. Xususiyat muhandisligi: Ma'lumotlar qiymatini oshirish
Modelning bashorat qilish qobiliyatini yaxshilash uchun hosilaviy xususiyatlarni tuzing: Qisqa muddatli tebranishlarni yumshatish uchun ferronikel narxining 7-kunlik harakatlanuvchi o‘rtachasini hisoblang; inventar-to-talab nisbatini yaratish (inventar / (pastki ish tezligi × tarixiy o'rtacha iste'mol)); davriy naqshlarni olish uchun mavsumiy xususiyatni qo'shing (masalan, Bahor festivali talabining pasayishi uchun 1-chorak).
Algoritm tanlash: vaqt seriyasini bashorat qilish uchun LSTM neyron tarmog'i
Zanglamas po'latdan yasalgan narxlar kuchli davomiylik va davriylik bilan odatiy vaqt seriyali ma'lumotlaridir. Sun'iy intellekt algoritmlari orasida Uzoq qisqa muddatli xotira (LSTM) tarmog'i uzoq muddatli bog'liqliklarni boshqarishda ARIMA va an'anaviy neyron tarmoqlardan ustundir.
1. Model tuzilmasini loyihalash
LSTM modeli to'rt qatlamdan iborat: Kirish qatlami (3 ta asosiy ko'rsatkichni + 5 hosilaviy xususiyatlarni, jami 8 ta xususiyatni qabul qiladi); ikkita LSTM qatlami (birinchi qatlamda 64 birlik, ikkinchi qatlamda ReLU faollashtirish funksiyasidan foydalangan holda 32 birlik mavjud); chiqish qatlami (7 kundan keyin 304 zanglamaydigan po'lat plitalar narxini taxmin qilish).
2. Giperparametrlarni sozlash
Haddan tashqari moslashmaslik uchun hiperparametrlarni oʻzaro{0}}tasdiqlash orqali optimallashtiring: Vaqt bosqichini 14 kunga belgilang (kelajakdagi narxlarni bashorat qilish uchun oxirgi 14 kunlik maʼlumotlardan foydalaning); partiya hajmi 32 gacha; o'rganish darajasi 0,001 gacha; yo'qotish funktsiyasi sifatida Adam optimallashtiruvchi va o'rtacha kvadrat xato (MSE) dan foydalaning. Modelni o'qitish davri 100 ga teng. Validatsiya yo'qotilishi ketma-ket 5 davr uchun pasayishni to'xtatganda erta to'xtash bilan.
3. Modelni o'qitish va tasdiqlash
5{8}}yillik maʼlumotlarni oʻquv majmuasiga (70%), tekshirish toʻplamiga (15%) va test toʻplamiga (15%) boʻling. Treningdan so'ng, test to'plamidagi modelning MSE ko'rsatkichi 0,008 ni tashkil qiladi. va R² (determinatsiya koeffitsienti) 0 ga teng.86. Bu model narx o'zgarishining 86% ni tushuntirishi mumkinligini ko'rsatadi - an'anaviy ARIMA modelining 62% dan ancha yuqori.
Modelni optimallashtirish: Diqqat mexanizmi va ansamblni o'rganish
Aniqlikni yanada yaxshilash uchun modelning asosiy omillarga e'tibor qaratish qobiliyatini oshirish uchun diqqat mexanizmi va ansambl o'rganishni birlashtiring.
1. Diqqatni qo'shish mexanizmi
Kirish xususiyatlariga turli og'irliklarni belgilash uchun LSTM qatlamlari orasiga diqqat qatlamini joylashtiring. Natijalar shuni ko'rsatadiki, model avtomatik ravishda eng yuqori og'irlikni (0,42) ferronikkel narxiga 7{3}}kunlik harakatlanuvchi o'rtacha, so'ngra inventar{4}}talabga nisbati (0,28) va maishiy texnika sanoatining ish tezligini (0,15) belgilaydi, bu bozor mantig'iga mos keladi.
2. XGBoost bilan ansambl o'rganish
LSTM modelini XGBoost algoritmi bilan birlashtiring (jadval ma'lumotlari bilan ishlashda zo'r) o'rtacha vaznli usul yordamida (LSTM vazni 0,7. XGBoost vazni 0,3). Integratsiyalashgan modelning test to'plamida bashorat qilish aniqligi 88% gacha oshadi va o'rtacha mutlaq xato (MAE) yagona LSTM modeliga nisbatan 12% ga kamayadi.
Amaliy qo'llash: zanglamaydigan po'latdan yasalgan savdo kompaniyasining misoli
Yirik zanglamaydigan po‘lat savdo kompaniyasi ushbu modelni 2024-yilning yanvaridan iyunigacha xarid qilish va sotish bo‘yicha qarorlar qabul qilish uchun qo‘llagan. Modelning bashorat natijalari va haqiqiy ta’siri quyidagicha:
|
Prognoz davri |
Modelning taxminiy narxi ($/tonna) |
Haqiqiy bozor narxi ($/tonna) |
Prognoz xatosi |
Qaror qabul qilish bo'yicha ko'rsatmalar va ta'sir |
|---|---|---|---|---|
|
15-21 yanvar |
2850 |
2830 |
0.7% |
Tonna uchun 40 dollar yo'qotishning oldini olgan holda inventarni 20% ga qisqartirdi |
|
1-7 mart |
2980 |
3000 |
0.7% |
Xaridlarni 15% ga oshirib, $30/tonna foyda oldi |
|
20-26 may |
3120 |
3100 |
0.6% |
Savdo narxlarida qulflangan, barqaror marjani ta'minlaydi |
Olti oylik davr mobaynida kompaniyaning inventar aylanmasi koeffitsienti-35% ga o'sdi va bir tonna uchun o'rtacha foyda marjasi 2,3 punktga oshdi va bu modelning amaliy ahamiyatini tasdiqladi.
Umumiy muammolar va yechimlar
Haqiqiy qo'llashda model to'satdan siyosat o'zgarishi va xom ashyo narxining zarbalari kabi qiyinchiliklarga duch kelishi mumkin. Maqsadli echimlar uning barqarorligini ta'minlaydi.
Siyosat aralashuvi (masalan, eksport solig'ini to'g'irlash)Modelga siyosat soxta oʻzgaruvchilarni qoʻshing (siyosatni amalga oshirish uchun 1, aks holda 0) va moslashuvchanlikni yaxshilash uchun modelni tarixiy siyosat maʼlumotlari bilan qayta oʻqiting.
Nikel rudasini etkazib berish natijasida kelib chiqqan ferronikkel narxining o'zgaruvchanligiNikel rudasi importi ma'lumotlarini (Indoneziya, Filippindan) modelga ferronikel narxining o'zgarishini oldindan bashorat qilish uchun etakchi ko'rsatkich sifatida integratsiyalash.
Vaqt o'tishi bilan modelning buzilishiModelni oylik yangilash mexanizmini o'rnating, modelni oxirgi 3 oylik ma'lumotlar bilan qayta tayyorlang va bozor o'zgarishlariga moslashish uchun xususiyat og'irliklarini sozlang.
Kelajak istiqbollari: ilg'or texnologiyalarni integratsiyalash
Zanglamaydigan po'latdan yasalgan narxni bashorat qilish modeli texnologik taraqqiyot bilan rivojlanishda davom etadi va yuqori aniqlik va aql-zakovat sari harakat qiladi.
Haqiqiy-vaqtdagi maʼlumotlar integratsiyasiHaqiqiy vaqtda inventar va ishlab chiqarish maʼlumotlarini olish uchun poʻlat tegirmonlari va omborlarning IoT tizimlariga ulaning, maʼlumotlarning kechikishini 3 kundan 1 soatgacha kamaytiring.
Tabiiy tilni qayta ishlash (NLP)NLP yordamida yangiliklar, ijtimoiy media va sanoat hisobotlarini tahlil qilib, kayfiyat ko'rsatkichlarini (masalan, "po'lat tegirmoni zarbasi" salbiy his-tuyg'ularini) ajratib oling va ularni modelga kiriting.
Raqamli Twin texnologiyasiSsenariy asosidagi prognozlarni taqdim etish uchun turli stsenariylarning (masalan, transport xarajatlariga taʼsir qiluvchi neft narxining koʻtarilishi) narxlarga taʼsirini taqlid qilib, zanglamaydigan poʻlatdan yasalgan sanoat zanjirining raqamli egizakini yarating.
Xulosa: AI zanglamaydigan po'lat bozorida qaror qabul qilishga yordam beradi-
Ferronikkel narxi, inventar ma'lumotlari va quyi oqim ish tezligiga asoslangan sun'iy intellekt narxlarini bashorat qilish modeli an'anaviy bashorat qilish usullarining cheklovlaridan o'tadi. Bozor omillari o'rtasidagi murakkab munosabatlarni to'g'ri qo'lga kiritib, zanglamaydigan po'latdan yasalgan sanoat zanjiridagi korxonalar uchun ishonchli narx prognozlarini ta'minlaydi. Modelning amaliy qo‘llanilishi sun’iy intellekt texnologiyasi operatsion risklarni samarali kamaytirishi, resurslarni taqsimlashni optimallashtirishi va bozor raqobatbardoshligini oshirishi mumkinligini ko‘rsatadi. Ma'lumotlar sifati yaxshilangani va algoritmlar rivojlangani sari, bunday sun'iy intellekt modellari zanglamaydigan po'latdan yasalgan korxonalar uchun ajralmas vositaga aylanadi va sanoatning ma'lumotlarga asoslangan qarorlar-qabul qilinishiga-o'zgarishiga yordam beradi.


