نموذج التنبؤ بسعر سوق الفولاذ المقاوم للصدأ: إنشاء خوارزمية الذكاء الاصطناعي بناءً على تكلفة Ferronickel وبيانات المخزون ومعدل التشغيل النهائي

تتقلب أسعار الفولاذ المقاوم للصدأ بشكل حاد تحت تأثير تكاليف المواد الخام، والعرض والطلب في السوق، وعوامل الاقتصاد الكلي. بالنسبة للمصنعين والتجار والمؤسسات النهائية، تعد التنبؤات الدقيقة بالأسعار أمرًا بالغ الأهمية لتقليل المخاطر التشغيلية وتحسين استراتيجيات الشراء. غالبًا ما تفشل طرق التنبؤ التقليدية التي تعتمد على الخبرة أو النماذج الخطية في التقاط العلاقات غير الخطية المعقدة في السوق. تقدم هذه المقالة نموذج التنبؤ بأسعار الفولاذ المقاوم للصدأ القائم على الذكاء الاصطناعي- والذي يدمج ثلاثة مؤشرات أساسية-تكلفة الحديد والنيكل (التي تمثل 60% من تكاليف الإنتاج)، وبيانات المخزون الاجتماعي، ومعدل التشغيل النهائي-للحصول على دقة تنبؤ تزيد عن 85%. وهو يعرض تفاصيل معالجة بيانات النموذج واختيار الخوارزمية وتأثيرات التطبيق العملي.

المنطق الأساسي: لماذا تحدد هذه المؤشرات الثلاثة اتجاهات الأسعار

يعد تشكيل أسعار الفولاذ المقاوم للصدأ نتيجة شاملة لدفع التكلفة وسحب الطلب. تشكل تكلفة Ferronickel وبيانات المخزون ومعدل التشغيل النهائي ثالوث "التكلفة-العرض-الطلب"، مما يعكس بشكل مباشر التغيرات الأساسية في السوق.

تكلفة فيرونيكل: محرك التكلفة الأساسيةباعتبارها المادة الخام الرئيسية للفولاذ المقاوم للصدأ من سلسلة 300-، فإن تغيرات أسعار النيكل الحديدي (Ni 10-15%) تؤثر بشكل مباشر على سعر المصنع للفولاذ المقاوم للصدأ. عادة ما تؤدي زيادة سعر النيكل بمقدار 100 دولار/طن إلى ارتفاع سعر 304 صفائح من الفولاذ المقاوم للصدأ بمقدار 300-500 دولار/طن.

بيانات المخزون: موازن العرض والطلبيعكس المخزون الاجتماعي (بما في ذلك مخزون المستودعات-البضائع العابرة) فائض العرض أو النقص في السوق. عندما يتجاوز المخزون عتبة 500.000 طن (للسوق الصينية)، تميل الأسعار إلى الانخفاض؛ غالبًا ما يؤدي المخزون الذي يقل عن 300.000 طن إلى ارتفاع الأسعار.

معدل التشغيل النهائي: مقياس الطلبمعدلات التشغيل للصناعات النهائية (البناء، السيارات، الأجهزة المنزلية) تحدد بشكل مباشر استهلاك الفولاذ المقاوم للصدأ. يمكن أن تؤدي زيادة معدل تشغيل صناعة الأجهزة المنزلية بنسبة 10% إلى نمو الطلب على الفولاذ المقاوم للصدأ بنسبة 3-5%.

الخطوة الأولى: جمع البيانات ومعالجتها مسبقًا

تعتبر البيانات عالية الجودة-أساس نموذج الذكاء الاصطناعي. البيانات المهملة الواردة والصادرة-ستؤدي البيانات الخاطئة إلى تقليل دقة التنبؤ بشكل مباشر. تتضمن عملية معالجة البيانات ثلاثة روابط رئيسية.

1. تكامل البيانات-المتعددة المصادر

جمع البيانات من القنوات الرسمية لضمان حسن التوقيت والدقة: يتم تحديث بيانات تكلفة Ferronickel من شبكة شنغهاي للمعادن غير الحديدية (SMM) يوميًا؛ وبيانات المخزون الصادرة عن الجمعية الصينية للحديد والصلب (CISA)، والتي تصدر أسبوعيًا؛ بيانات معدل التشغيل النهائية من مؤسسات أبحاث الصناعة (على سبيل المثال، Mysteel)، يتم تحديثها كل 3 أيام. يغطي النطاق الزمني للبيانات 5 سنوات (2019-2023) لالتقاط الاتجاهات الدورية.

2. تنظيف البيانات وتوحيدها

قم بإزالة نقاط البيانات غير الطبيعية (على سبيل المثال، الارتفاع المفاجئ في الأسعار الناجم عن القوة القاهرة) باستخدام مبدأ 3σ. توحيد وحدات البيانات: تحويل تكلفة النيكل إلى دولار/طن، والمخزون إلى 10.000 طن، ومعدل التشغيل إلى نسبة مئوية (0-100%). املأ القيم المفقودة بطريقة الاستيفاء الخطي لضمان سلامة البيانات.

3. هندسة الميزات: تعزيز قيمة البيانات

إنشاء ميزات مشتقة لتحسين القدرة التنبؤية للنموذج: احسب المتوسط ​​المتحرك لمدة 7-أيام لتكلفة النيكل الحديدي لتسهيل التقلبات قصيرة المدى-؛ إنشاء مخزون-نسبة إلى الطلب (المخزون / (معدل التشغيل النهائي × متوسط ​​الاستهلاك التاريخي))؛ قم بإضافة ميزة موسمية (على سبيل المثال، الربع الأول لانخفاض الطلب في عيد الربيع) لالتقاط الأنماط الدورية.

اختيار الخوارزمية: الشبكة العصبية LSTM للتنبؤ بالسلاسل الزمنية

أسعار الفولاذ المقاوم للصدأ هي بيانات سلاسل زمنية نموذجية ذات استمرارية ودورية قوية. من بين خوارزميات الذكاء الاصطناعي، تتفوق شبكة الذاكرة طويلة المدى-(LSTM) على ARIMA والشبكات العصبية التقليدية في التعامل مع التبعيات طويلة المدى-.

1. تصميم الهيكل النموذجي

يتكون نموذج LSTM من أربع طبقات: طبقة الإدخال (قبول 3 مؤشرات أساسية + 5 ميزات مشتقة، إجمالي 8 ميزات)؛ طبقتان LSTM (الطبقة الأولى بها 64 وحدة، والطبقة الثانية بها 32 وحدة، باستخدام وظيفة تنشيط ReLU)؛ طبقة الإخراج (توقع سعر صفائح الفولاذ المقاوم للصدأ 304 بعد 7 أيام).

2. ضبط المعلمة الفائقة

تحسين المعلمات الفائقة من خلال التحقق المتبادل- لتجنب التجهيز الزائد: قم بتعيين الخطوة الزمنية على 14 يومًا (باستخدام البيانات من آخر 14 يومًا للتنبؤ بالأسعار المستقبلية)؛ حجم الدفعة إلى 32؛ معدل التعلم إلى 0.001؛ استخدم مُحسِّن Adam ومتوسط ​​الخطأ التربيعي (MSE) كدالة الخسارة. فترة تدريب النموذج هي 100. مع التوقف المبكر عندما تتوقف خسارة التحقق من الصحة عن الانخفاض لمدة 5 فترات متتالية.

3. نموذج التدريب والتحقق من الصحة

قسّم بيانات السنوات الخمس- إلى مجموعة تدريب (70%)، ومجموعة التحقق (15%)، ومجموعة الاختبار (15%). بعد التدريب، MSE للنموذج في مجموعة الاختبار هو 0.008. و R² (معامل التحديد) هو 0.86. مما يشير إلى أن النموذج يمكن أن يفسر 86% من تباين الأسعار، وهو أعلى بكثير من 62% في نموذج أريما التقليدي.

تحسين النموذج: آلية الانتباه والتعلم الجماعي

لمزيد من تحسين الدقة، قم بدمج آلية الانتباه والتعلم الجماعي لتعزيز قدرة النموذج على التركيز على العوامل الرئيسية.

1. إضافة آلية الانتباه

قم بتضمين طبقة انتباه بين طبقات LSTM لتعيين أوزان مختلفة لميزات الإدخال. توضح النتائج أن النموذج يعين تلقائيًا أعلى وزن (0.42) لتكلفة النيكل الحديدي لمدة 7-متوسط ​​متحرك، متبوعًا بنسبة المخزون-إلى الطلب (0.28) ومعدل تشغيل صناعة الأجهزة المنزلية (0.15)، وهو ما يتوافق مع منطق السوق.

2. التعلم الجماعي باستخدام XGBoost

ادمج نموذج LSTM مع خوارزمية XGBoost (ممتازة في التعامل مع البيانات الجدولية) باستخدام طريقة المتوسط ​​المرجح (وزن LSTM 0.7. وزن XGBoost 0.3). تزداد دقة تنبؤ النموذج المتكامل في مجموعة الاختبار إلى 88%، وينخفض ​​متوسط ​​الخطأ المطلق (MAE) بنسبة 12% مقارنة بنموذج LSTM المنفرد.

التطبيق العملي: دراسة حالة لشركة تجارة الفولاذ المقاوم للصدأ

قامت شركة كبيرة لتجارة الفولاذ المقاوم للصدأ بتطبيق هذا النموذج لتوجيه قرارات الشراء والمبيعات في الفترة من يناير إلى يونيو 2024. وكانت نتائج التنبؤ للنموذج والتأثيرات الفعلية كما يلي:

 

فترة التنبؤ	السعر المتوقع للنموذج (دولار/طن)	سعر السوق الفعلي (دولار/طن)	خطأ في التنبؤ	توجيه القرار وتأثيره
15-21 يناير	2850	2830	0.7%	تم خفض المخزون بنسبة 20%، مما أدى إلى تجنب خسارة قدرها 40 دولارًا/طن
1-7 مارس	2980	3000	0.7%	زيادة المشتريات بنسبة 15%، وتحقيق ربح قدره 30 دولارًا/طن
20-26 مايو	3120	3100	0.6%	تأمين أسعار البيع، وضمان هوامش مستقرة

 

خلال فترة الستة-أشهر، زاد معدل دوران مخزون الشركة بنسبة 35%، وزاد متوسط ​​هامش الربح لكل طن بمقدار 2.3 نقطة مئوية، مما يؤكد القيمة العملية للنموذج.

التحديات والحلول المشتركة

وفي التطبيق الفعلي، قد يواجه النموذج تحديات مثل التغيرات المفاجئة في السياسات وصدمات أسعار المواد الخام. الحلول المستهدفة تضمن استقرارها.

التدخل في السياسات (على سبيل المثال، تعديل ضريبة التصدير)أضف متغيرات السياسة الوهمية إلى النموذج (1 لتنفيذ السياسة، 0 بخلاف ذلك) وأعد تدريب النموذج باستخدام بيانات السياسة التاريخية لتحسين القدرة على التكيف.

تقلب أسعار الحديدونيكل الناجم عن توريد خام النيكلدمج بيانات استيراد خام النيكل (من إندونيسيا والفلبين) في النموذج كمؤشر رئيسي للتنبؤ بالتغيرات في تكلفة النيكل مقدمًا.

تدهور النموذج مع مرور الوقتإنشاء آلية تحديث شهرية للنموذج، وإعادة تدريب النموذج باستخدام أحدث 3 أشهر من البيانات، وضبط أوزان الميزات للتكيف مع تغيرات السوق.

التوقعات المستقبلية: دمج المزيد من التقنيات المتقدمة

سيستمر نموذج التنبؤ بأسعار الفولاذ المقاوم للصدأ في التطور مع التقدم التكنولوجي، ويتجه نحو دقة وذكاء أعلى.

-تكامل البيانات في الوقت الفعلياتصل بأنظمة إنترنت الأشياء لمصانع الصلب والمستودعات للحصول على -بيانات المخزون والإنتاج في الوقت الفعلي، مما يقلل تأخر البيانات من 3 أيام إلى ساعة واحدة.

معالجة اللغات الطبيعية (NLP)قم بتحليل الأخبار ووسائل التواصل الاجتماعي وتقارير الصناعة باستخدام البرمجة اللغوية العصبية لاستخراج مؤشرات المشاعر (على سبيل المثال، المشاعر السلبية "إضراب مصانع الصلب") ودمجها في النموذج.

تقنية التوأم الرقميأنشئ توأمًا رقميًا لسلسلة صناعة الفولاذ المقاوم للصدأ، ومحاكاة تأثير السيناريوهات المختلفة (على سبيل المثال، ارتفاع أسعار النفط الذي يؤثر على تكاليف النقل) على الأسعار لتقديم تنبؤات مستندة إلى السيناريو-.

الاستنتاج: يعمل الذكاء الاصطناعي على تمكين اتخاذ القرار بشأن سوق الفولاذ المقاوم للصدأ-.

إن نموذج التنبؤ بأسعار الذكاء الاصطناعي القائم على تكلفة النيكل وبيانات المخزون ومعدل التشغيل النهائي يخترق قيود طرق التنبؤ التقليدية. ومن خلال التقاط العلاقات المعقدة بين عوامل السوق بدقة، فإنه يوفر توقعات موثوقة للأسعار للمؤسسات في سلسلة صناعة الفولاذ المقاوم للصدأ. يُظهر التطبيق العملي للنموذج أن تكنولوجيا الذكاء الاصطناعي يمكنها تقليل المخاطر التشغيلية بشكل فعال، وتحسين تخصيص الموارد، وتعزيز القدرة التنافسية في السوق. مع تحسن جودة البيانات وتقدم الخوارزميات، ستصبح نماذج الذكاء الاصطناعي هذه أداة لا غنى عنها لمؤسسات الفولاذ المقاوم للصدأ، مما يعزز تحول الصناعة نحو اتخاذ القرار-المبني على البيانات-.