甲醇在化工产品的生产中,是一种基础、重要的原料来源,在经济领域中具有广泛的应用价值。其价格波动对市场其他化工产品的影响较大,但是,甲醇价格受很多因素的影响,如何提高其短期和长期的预测精度一直受到学者们的广泛关注。为了提高甲醇的预测精度,本文基于实际的数据,在分析影响甲醇价格相关因素的基础上,选取出对其影响较大的因素,利用相空间重构,提取出这些因素主要的特征信息,然后利用极端学习机(ELM,Extreme Learning Machine)分别对其进行短期和长期预测,该方法具有较快的学习效率和良好的全局逼近性能,其仿真结果表明了本文所采用方法的有效性,可为实际的甲醇价格预测提供理论方法上的指导。本文的第一个贡献是以实际的、影响甲醇价格的数据为基础,利用相空间重构提取出数据之间的重要信息。本文的第二个贡献是基于一种具有较快学习速度和全局逼近功能的神经网络学习算法—极端学习机对甲醇价格进行短期和长期预测,其仿真结果表明,所使用的相空间重构和极端学习方法可以较好的实现甲醇价格的准确预测。在第一章的绪论部分,本文详细介绍了关于甲醇价格的研究背景和现状以及研究意义。在第二章,重点介绍了时间序列的相关概念,特别是在时间序列预测中使用的相空间重构方法。第三章给出了人工神经网络的相关知识,在简要介绍各种人工智能算法的基础上,重点介绍了本文所使用的极端学习方法,并给出了极端学习机的问题依赖性问题。第四章首先介绍了与甲醇价格有关的煤炭价格、进口量、进口均价、出口量、出口均价和月产量各个时间序列变量,对各个变量与甲醇价格之间做了相关性分析,然后利用相空间重构,确定了各个时间序嵌入维数和延迟时间参数,给出了其对应的输入数据,建立了基于极端学习机的神经网络模型,对甲醇价格进行预测。第五章结合粒子群(PSO)和重力搜索算法(GSA)的优势,来优化极端学习机算法的权重和偏差,利用PSOGSA-ELM算法进一步提高了甲醇价格的预测精度。第四章和第五章的计算机仿真结果表明,本文所建立的甲醇价格预测模型具有较好的预测精度和良好的数据跟踪能力,可以应用到实际的甲醇价格预测场合。