一种原材料价格预测方法、装置、设备及介质

技术领域

本发明涉及计算机技术领域，特别涉及一种原材料价格预测方法、装置、设备及介质。

背景技术

当前，在现实情况中需要预测需要使用的原材料的价格，来减少原材料价格变动带来的投资风险，例如，据对建筑工程项目造价费用统计中，一般土石方、混凝土、钢筋材料大约占工程造价的50％左右，屋面防水隔热，楼地面，墙柱面，门窗，油漆涂料等装饰材料占工程造价的10％左右，水电暖占工程造价的15％左右，模板，脚手架措施费等占工程造价的8％左右，管理费、利润、规费、税金等占工程造价的20％左右。包含土石方工程、混凝土、钢筋等材料费用的占比达到了总造价费用的70％以上，而其他占比包含税费、利润、模板、脚手架等费用不足30％；其中，材料费由材料价格和材料总量共同决定，材料总量由相关的材料预算工程计算的来，是一个近似准确值。因此，如何根据材料的市场价格走势，预测出未来市场上相应的材料价格走势，减小未来市场材料价格的变动带来的投资风险，最大化投资利润具有重要的参考意义。

现阶段的价格预测方法主要分有专家法和统计分析方法，两种方法针对的数据都是历史数据和市场数据，但是专家法是依据专家的竟然手段进行预测，具有方法个体主观差异大、不可延续等特征。

综上所述，如何提高价格预测的准确度是当前亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种原材料价格预测方法、装置、设备及介质，能够提高价格预测的准确度。其具体方案如下：

第一方面，本申请公开了一种原材料价格预测方法，包括：

基于第一原材料的历史参考价格序列和历史实际价格序列获取待第一待使用价格序列；

利用预先设置的指数平滑状态空间融合算法模型中的预设数量个指数平滑模型分别对所述第一待使用价格序列进行计算以得到预设数量个第一预测价格，然后基于加权算法对所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格；

获取客户端发送的预先生成的偏差调整值，并基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格。

可选的，所述利用预先设置的指数平滑状态空间融合算法模型中的预设数量个指数平滑模型分别对所述第一待使用价格序列进行计算以得到预设数量个第一预测价格之前，还包括：

基于第二原材料的历史参考价格序列和历史实际价格序列获取第二待使用价格序列；

利用若干指数平滑模型分别对所述第二待使用价格序列进行计算以得到若干第四预测价格；

基于利用所述第四预测价格和对应的所述第二原材料的真实价格计算出的若干所述指数平滑模型分别对应的赤池信息准则，选取出满足预设条件的所述预设数量个所述指数平滑模型；所述预设条件为所述预设数量个所述指数平滑模型的所述赤池信息准则为所有赤池信息准则中较小的所述预设数量个所述赤池信息准则；

利用所述预设数量个所述指数平滑模型和所述加权算法设置指数平滑状态空间融合算法模型。

可选的，所述获取客户端发送的预先生成的偏差调整值，包括：

获取客户端发送的基于所述预设数量个所述指数平滑模型的所述第四预测价格和所述第二原材料的所述真实价格预先生成的偏差调整值。

可选的，所述基于利用所述第四预测价格和对应的所述第二原材料的真实价格计算出的若干所述指数平滑模型分别对应的赤池信息准则，选取出满足预设条件的所述预设数量个所述指数平滑模型，包括：

若所述历史参考价格序列中的价格数量小于目标数量，则基于利用所述第四预测价格和对应的所述第二原材料的真实价格计算出的若干所述指数平滑模型分别对应的小样本校正后赤池信息准则，选取出满足预设条件的所述预设数量个所述指数平滑模型。

可选的，所述基于加权算法对所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格，包括：

按照所述赤池信息准则从大到小的顺序，对所述预设数量个所述指数平滑模型进行排序，并设置序号；

根据所有所述序号之和以及所述指数平滑模型的所述序号确定相应的所述指数平滑模型的第一目标权重，以确定所述预设数量个所述第一目标权重；其中，所述第一目标权重之和为1；

基于所述第一目标权重，将所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格。

可选的，所述基于加权算法对所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格，包括：

根据所述预设数量将总权重进行平均分配，以得到每个所述指数平滑模型对应的第二目标权重；其中，所述总权重为1；

基于所述第二目标权重将所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格。

可选的，所述基于第一原材料的历史参考价格序列和历史实际价格序列获取待第一待使用价格序列，包括：

若未获取到第一原材料的历史实际价格序列，则将历史参考价格序列作为第一待使用价格序列。

第二方面，本申请公开了一种原材料价格预测装置，包括：

价格序列获取模块，用于基于第一原材料的历史参考价格序列和历史实际价格序列获取待第一待使用价格序列；

第二预测价格获取模块，用于利用预先设置的指数平滑状态空间融合算法模型中的预设数量个指数平滑模型分别对所述第一待使用价格序列进行计算以得到预设数量个第一预测价格，然后基于加权算法对所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格；

优化调整模块，用于获取客户端发送的预先生成的偏差调整值，并基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格。

第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现前述公开的原材料价格预测方法。

第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的原材料价格预测方法。

可见，本申请基于第一原材料的历史参考价格序列和历史实际价格序列获取待第一待使用价格序列；利用预先设置的指数平滑状态空间融合算法模型中的预设数量个指数平滑模型分别对所述第一待使用价格序列进行计算以得到预设数量个第一预测价格，然后基于加权算法对所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格；获取客户端发送的预先生成的偏差调整值，并基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格。由此可见，本申请利用加权算法将指数平滑模型得到的第一预测价格进行融合得到第二预测价值，降低了单个指数平滑模型预测偏差较大的风险，提高了价格预测的准确度；本申请利用偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格，进一步提高了价格预测的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种原材料价格预测方法流程图；

图2为本申请提供的一种具体的原材料价格预测方法流程图；

图3为本申请提供的一种指数平滑状态空间融合算法模型示意图；

图4为本申请提供的一种原材料价格预测装置结构示意图；

图5为本申请提供的一种电子设备结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

当前价格预测方法主要分有专家法和统计分析方法，两种方法针对的数据都是历史数据和市场数据，但是专家法是依据专家的竟然手段进行预测，具有方法个体主观差异大、不可延续等特征。

为了克服上述问题，本申请提供了一种原材料价格预测方案，能够提高价格预测的准确度。

参见图1所示，本申请实施例公开了一种原材料价格预测方法，该方法包括：

步骤S11：基于第一原材料的历史参考价格序列和历史实际价格序列获取待第一待使用价格序列。

本申请实施例中，进行数据预测时，针对数据的特征分为时间序列预测法、统计回归法、机器学习法等。时间序列是指按照时间顺序形成的一系列数据，材料价格是一种典型的时间序列。需要指出的是，价格序列的变动一般包含以下四种变动方式：第一，趋势变动：指在一个长期的时间段内，整个序列是围绕一个水平波动的无趋势，或者是随时间递增，序列值是一个整体上升或者下降的趋势；第二，季节性变动：指在一个固定的周期内有一些周期性变动现象；第三，周期性变动：是时间序列呈现出得非固定长度的周期性变动。循环波动的周期可能会持续一段时间，但与趋势不同，它不是朝着单一方向的持续变动，而是涨落相同的交替波动；第四，是许多不可控的偶然因素共同作用的结果，致使时间序列产生一种波浪形或震荡式的变动。价格序列一般是由上面几种变动类型的变化叠加或者是耦合组成的。

本申请实施例中，利用预先设置的指数平滑状态空间融合算法模型基于第一原材料的历史参考价格序列和历史实际价格序列获取待第一待使用价格序列；需要指出的是，获取第一待使用价格序列也需要指数平滑状态空间融合算法模型来完成；需要指出的是，所述历史实际价格序列可以为一个或多个，在此不做具体限定，所述不同历史价格序列来自不同渠道，比如来自上海钢联或中国园林网等。

本申请实施例中，首先对第一原材料的历史参考价格序列进行第一预处理，并对第一原材料的历史实际价格序列进行第二预处理，然后利用预处理后历史参考价格序列和预处理后历史实际价格序列获取待第一待使用价格序列。

需要指出的是，第一预处理指对第一原材料的历史参考价格序列进行离群点光滑化，对离群点中明显差距很大的目标价格进行平滑的到新价格，具体是利用目标价格前后点的价格对所述目标价格进行平滑，具体是，利用目标价格前后点的价格的平均值对所述目标价格进行平滑，需要指出的是，明显差距很大的目标价格可以理解为不同于预期对象的值，如值等0或负的价格数据。

需要指出的是，第二预处理指根据历史参考价格序列对历史实际价格序列进行数据统一处理，具体为，如果历史参考价格序列是以天为单位存放价格数据，则将历史实际价格序列也调整为以天为单位存放价格数据。例如，对于获取到的上海钢联、中国园林网等获取到按天或者按月的外部材料价格序列参数，按照一定的规则转变为与待预测数据一致的按天或者按月的外部材料价格因子数据；其中，所述外部材料价格指历史实际价格。

本申请实施例中，进行预处理之后，利用加权算法对预处理后历史参考价格序列和预处理后历史实际价格序列进行计算得到第一待使用价格序列；例如，把通过不同渠道获取的当月材料价格分别记做不同的历史实际价格序列，也即x

本申请实施例中，若未获取到第一原材料的历史实际价格序列，则将历史参考价格序列作为第一待使用价格序列。

步骤S12：利用预先设置的指数平滑状态空间融合算法模型中的预设数量个指数平滑模型分别对所述第一待使用价格序列进行计算以得到预设数量个第一预测价格，然后基于加权算法对所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格。

本申请实施例中，预设数量为N个，具体为2至5个。

本申请实施例中，指数平滑法是生产预测中常用的一种方法，适用于时间序列预测、能表达趋势性、季节性、周期性，也用于中短期经济发展趋势预测，所有预测方法中，指数平滑是用得最多的一种。因此，本申请提出一种基于指数平滑模型预测方法的指数平滑状态空间融合算法模型，用于预测原材料价格。

本申请实施例中，指数平滑状态空间融合算法模型为预先设置的模型，设置过程为：基于第二原材料的历史参考价格序列和历史实际价格序列获取第二待使用价格序列；利用若干指数平滑模型(ets，Exponential Smoothing)分别对所述第二待使用价格序列进行计算以得到若干第四预测价格；基于利用所述第四预测价格和对应的所述第二原材料的真实价格计算出的若干所述指数平滑模型分别对应的赤池信息准则，选取出满足预设条件的所述预设数量个所述指数平滑模型；所述预设条件为所述预设数量个所述指数平滑模型的所述赤池信息准则为所有赤池信息准则中较小的所述预设数量个所述赤池信息准则；利用所述预设数量个所述指数平滑模型和所述加权算法设置指数平滑状态空间融合算法模型。需要指出的是，所述第一原材料与所述第二原材料相同或不同。

需要指出的是，赤池信息准则(AIC，Akaike information criterion)的计算公式为：

式中，T为历史参考价格序列中的价值数量；k为预测的价值数量；2(k+2)指待估参数的数量；SSE(Sum of Squares for Error，误差平方和)为第四预测价格和真实价格的差值的平方。需要指出的是，指数平滑模型本身具有季节性、周期性和趋势变动参数，因此没哟个指数平滑模型都有相对应的第四预测价格；例如，存在35个真实价格，其中30个真实价格作为历史参考价格序列的价格，由此计算得出5个第四预测价格，利用5个第四预测价格与剩下5个真实价格计算得到SSE，然后可进一步计算得到AIC，此时T为30，k为5。需要指出的是，AIC值较小的模型较优秀。

本申请实施例中，设置指数平滑状态空间融合算法模型的过程中，若所述历史参考价格序列中的价格数量小于目标数量，则基于利用所述第四预测价格和对应的所述第二原材料的真实价格计算出的若干所述指数平滑模型分别对应的小样本校正后赤池信息准则，选取出满足预设条件的所述预设数量个所述指数平滑模型。

需要指出的是，当T较小时候，AIC准则总是倾向于选择更多的预测变量，因此用AICc(小样本校正后赤池信息准则)评估选择模型，同样，AICc值较小的模型较优秀。AICc的计算公式为：

需要指出的是，基于利用所述第四预测价格和对应的所述第二原材料的真实价格计算出的若干所述指数平滑模型分别对应的赤池信息准则，选取出满足预设条件的所述预设数量个所述指数平滑模型的具体过程为：排列所有指数平滑模型的AIC或AICc值，从中按照如下伪代码选择出N个最优指数平滑模型：

需要指出的是，步骤S11中提到可以对初始权重进行调整，具体是利用SSE对初始权重进行调整，当第一次进行模型设置过程时使用初始权重，会出现第一SSE，第二次进行模型设置过程时，将w

本申请实施例中，利用预先设置的指数平滑状态空间融合算法模型中的预设数量个指数平滑模型分别对所述第一待使用价格序列进行计算以得到预设数量个第一预测价格，然后基于加权算法对所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格。

在一种具体实施例中，对用29个月的四种材料数据进行分析，预测第30个月开始之后五个月的价格。根据四种材料的输出结果与真实的数据进行比对，得到的模型数据，具体的如表一所示：

表一

其中，模型1、模型2、模型3和模型4为4个指数平滑模型，融合模型为指数平滑状态空间融合算法模型；指数平滑模型的预测值为第一预测价格，融合模型的预测值为第二预测价格；预测偏差计算公式为：预测偏差＝{(预测值-真实值)/真实值}*100％。

需要指出的是，不同的单个模型对于不同的测试数据表现结果不同，预测偏差从0.48％～1.56％波动。但是融合模型预测偏差范围在0.674％～1.09％之间波动。误差变动范围降为单个模型的0.4倍，很好的平滑了模型差异，降低了误差变动范围，提高了价格预测的准确度。

在另一种实施例中，对用3.1日～7月9日的92期螺纹钢直径16的钢筋价格数据进行训练和预测第93～97期数据的价格。根据四种材料的输出结果与真实的数据进行比对，得到的模型数据；具体如表二所示：

表二

需要指出的是，不同的单个模型对于不同的测试数据表现结果不同，预测偏差在-3.28％～1.06％波动。但是融合模型预测偏差范围在-0.654％～-1.435％之间波动，误差变动范围降为单个模型的0.18倍。很好的平滑了模型差异，降低了误差变动范围，提高了价格预测的准确度。

步骤S13：获取客户端发送的预先生成的偏差调整值，并基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格。

本申请实施例中，通过步骤S12的最后一次模型设置过程，可以得到所述预设数量个所述指数平滑模型的第四预测价格，然后客户端利用预设数量个第四预测价格以及真实价格计算偏差调整值。需要指出的是，计算偏差调整值可以是在设置指数平滑状态空间融合算法模型后直接利用得到的预测价格进行计算，也可以再次利用指数平滑状态空间融合算法重新计算预测价格，然后计算偏差调整值。

在另一种实施例中，如表一所示，对于预测数据，不同的模型总是产生正向偏差，因此考虑模型偏差为a，则需要在模型中乘以一个偏差调整值(1-a)，其中，a的计算公式为

式中，N为指数平滑模型的个数，预测值为指数平滑模型计算得到的预测值。需要指出的是，根据表一求得a＝0.0095，预测价值为按月的市场价，偏差调整值为0.9905。

在另一种实施例中，如表二所示，对于预测数据，不同的模型总是产生负向偏差，因此考虑模型偏差为a，则需要在模型中乘以一个偏差调整值(1-a)，其中，a的计算公式为：

式中，N为指数平滑模型的个数，预测值为指数平滑模型计算得到的预测值。需要指出的是，根据表二求得a＝-0.0015，预测价值为按天的信息价，偏差调整值为1.0115。

本申请实施例中，获取客户端发送的基于所述预设数量个所述指数平滑模型的所述第四预测价格和所述第二原材料的所述真实价格预先生成的偏差调整值，然后基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格。需要指出的是，如果历史参考价格序列以及第四预测价格以月为单位，则获取偏差调整值0.9905，如果历史参考价格序列以及第四预测价格以天为单位，则获取偏差调整值1.0115。

需要指出的是，基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格，具体为，计算所述偏差调整值与所述第二预测价格的乘积以得到第三预测价格。

在一种实施例中，如表三所示，为一种增加偏差调整值后得到的预测数据，根据表三可知，增加偏差调整值之后，预测偏差变小，提高了价格预测的准确度。

表三

可见，本申请基于第一原材料的历史参考价格序列和历史实际价格序列获取待第一待使用价格序列；利用预先设置的指数平滑状态空间融合算法模型中的预设数量个指数平滑模型分别对所述第一待使用价格序列进行计算以得到预设数量个第一预测价格，然后基于加权算法对所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格；获取客户端发送的预先生成的偏差调整值，并基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格。由此可见，本申请利用加权算法将指数平滑模型得到的第一预测价格进行融合得到第二预测价值，降低了单个指数平滑模型预测偏差较大的风险，提高了价格预测的准确度；本申请利用偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格，进一步提高了价格预测的准确度。

参见图2所示，本申请实施例公开了一种具体的原材料价格预测方法，该方法包括：

步骤S21：基于第一原材料的历史参考价格序列和历史实际价格序列获取待第一待使用价格序列。

其中，关于步骤S21的其它更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

步骤S22：利用预先设置的指数平滑状态空间融合算法模型中的预设数量个指数平滑模型分别对所述第一待使用价格序列进行计算以得到预设数量个第一预测价格。

其中，关于步骤S22的其它更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

步骤S23：按照所述赤池信息准则从大到小的顺序，对所述预设数量个所述指数平滑模型进行排序，并设置序号；根据所有所述序号之和以及所述指数平滑模型的所述序号确定相应的所述指数平滑模型的第一目标权重，以确定所述预设数量个所述第一目标权重；其中，所述第一目标权重之和为1。

本申请实施例中，4个指数平滑模型，则按照所述赤池信息准则从大到小的顺序进行排序，序号分别为1、2、3、4，序号之和为10，因此第一目标权重分别，1/10、2/10、3/10、4/10，序号为4的指数平滑模型对应的赤池信息准则最小，因此次年更最优，第一目标权重也最大。

步骤S24：基于所述第一目标权重，将所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格。

本申请实施例中，计算第二预测价格的公式为：

计算第一目标权重的公式为：

式中，w(i)为第一目标权重，y(i)为第一预测价格，i为序号，y(ets)为第二预测价格，N为指数平滑模型的个数。

步骤S25：根据所述预设数量将总权重进行平均分配，以得到每个所述指数平滑模型对应的第二目标权重；其中，所述总权重为1；基于所述第二目标权重将所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格。

本申请实施例中，4个指数平滑模型，则排序序号分别为1、2、3、4，则每个指数平滑模型的第二目标权重都为1/4。

本申请实施例中，计算第二预测价格的公式为：

式中，y(ets)为第二预测价格，N为指数平滑模型的数量，y(i)为第一预测价格，i为排序序号。

步骤S26：获取客户端发送的预先生成的偏差调整值，并基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格。

其中，关于步骤S26的其它更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

可见，本申请基于第一原材料的历史参考价格序列和历史实际价格序列获取待第一待使用价格序列；利用预先设置的指数平滑状态空间融合算法模型中的预设数量个指数平滑模型分别对所述第一待使用价格序列进行计算以得到预设数量个第一预测价格；按照所述赤池信息准则从大到小的顺序，对所述预设数量个所述指数平滑模型进行排序，并设置序号；根据所有所述序号之和以及所述指数平滑模型的所述序号确定相应的所述指数平滑模型的第一目标权重，以确定所述预设数量个所述第一目标权重；其中，所述第一目标权重之和为1；基于所述第一目标权重，将所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格；根据所述预设数量将总权重进行平均分配，以得到每个所述指数平滑模型对应的第二目标权重；其中，所述总权重为1；基于所述第二目标权重将所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格；获取客户端发送的预先生成的偏差调整值，并基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格。由此可见，本申请利用加权算法将指数平滑模型得到的第一预测价格进行融合得到第二预测价值，降低了单个指数平滑模型预测偏差较大的风险，提高了价格预测的准确度；本申请利用偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格，进一步提高了价格预测的准确度。

参见图3所示，为指数平滑状态空间融合算法模型示意图；其中输入数据为历史参考价格序列，外部价格因子为历史实际价格序列，ets为指数平滑模型，融合算法表示加权算法，另外，ets(N，N，N)、ets(N，A，N)、ets(N，A，M)和ets(M，A，M)中的三个字母分别表示季节性、周期性和趋势参数。需要指出的是，在利用模型得到第二预测价值后，还需要获取客户端发送的预先生成的偏差调整值，并基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格。

参见图4所示，本申请实施例公开了一种原材料价格预测装置，包括：

价格序列获取模块11，用于基于第一原材料的历史参考价格序列和历史实际价格序列获取待第一待使用价格序列；

第二预测价格获取模块12，用于利用预先设置的指数平滑状态空间融合算法模型中的预设数量个指数平滑模型分别对所述第一待使用价格序列进行计算以得到预设数量个第一预测价格，然后基于加权算法对所述预设数量个所述指数平滑模型对应的所述第一预测价格进行融合得到第二预测价格；

优化调整模块13，用于获取客户端发送的预先生成的偏差调整值，并基于所述偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格。

其中，关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

可见，本申请利用加权算法将指数平滑模型得到的第一预测价格进行融合得到第二预测价值，降低了单个指数平滑模型预测偏差较大的风险，提高了价格预测的准确度；本申请利用偏差调整值对所述第二预测价格进行优化调整以得到第三预测价格，进一步提高了价格预测的准确度。

进一步的，本申请实施例还提供了一种电子设备，图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、输入输出接口24、通信接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任意实施例公开的原材料价格预测方法的相关步骤。

本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口25能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口24，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，存储器22作为可以包括作为运行内存的随机存取存储器和用于外部内存的存储用途的非易失性存储器，其上的存储资源包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制源主机上电子设备20上的各硬件设备以及计算机程序222，操作系统221可以是Windows、Unix、Linux等。计算机程222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的原材料价格预测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。

本实施例中，所述输入输出接口24具体可以包括但不限于USB接口、硬盘读取接口、串行接口、语音输入接口、指纹输入接口等。

进一步的，本申请实施例还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的原材料价格预测方法。

关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。

这里所说的计算机可读存储介质包括随机存取存储器(Random Access Memory，RAM)、内存、只读存储器(Read-Only Memory，ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、磁碟或者光盘或技术领域内所公知的任意其他形式的存储介质。其中，所述计算机程序被处理器执行时实现前述原材料价格预测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的原材料价格预测方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种原材料价格预测方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。