基于影响因素与时间序列组合预测铁水温度的tgarch混合模型-tg arch mixed model for predicting molten iron temperature based on combination of influencing factors and time series.docxVIP

结论....................................................................................................................47参考文献....................................................................................................................48致谢....................................................................................................................593摘要在复杂的高炉炼铁过程中，控制合理的炉温是高炉生产稳定、高效﹑顺行的关键因素。然而,影响高炉炉温的参数众多，并且各参数序列变量具有较强的波动性﹑异方差性﹑非对称性等，这些因素造成炉温控制和预测的困难。为了将高炉炉温控制在合理的范围内，需要建立能够克服这些困难的、有效的高炉炉温预测数学模型。本文将金融领域中预测股票波动的时间序列模型用于高炉铁水温度的预报中，建立了基于影响因素与时间序列组合预测铁水温度的TGARCH混合模型。本文首先利用包钢6号高炉2011年连续两个月采集的生产数据（700炉）进行分析。选择铁水温度作为表征高炉炉温热状态的因变量，选择影响高炉炉温的风量﹑喷煤量、炉温指数为自变量。根据多个高炉的专家经验，结合多元线性回归的假定复相关系数法确定出影响因素喷煤量滞后时间3小时，炉温指数1小时，风量1小时。其次，通过计算铁水温度时间序列自相关系数法和铁水温度时间序列与炉热指数、风量、喷煤量时间序列的互相关系法，确定影响当前铁水温度的主要参数是后一炉的铁水温度和滞后1小时的喷煤量。对铁水温度和喷煤量两个时间序列变量的700炉数据进行预处理，然后应用于单纯铁水温度时间序列TGARCH(1,1,1)模型以及铁水温度时间序列与喷煤量时间序列的TGARCH（1,1,1）混合模型中，采用极大似然法计算出模型的回归参数，仿真检验显示，TGARCH模型中的残差序列具有非对称性和异方差性，表明铁水温度时间序列满足TGARCH模型的条件。为了验证TGARCH模型的预测效果，采用等长顺序迭代法进行逐步回归。计算结果显示，纯铁水温度时间序列TGARCH模型预测的命中率是81%（绝对误差12度）,影响因素与铁水温度时间序列组合TGARCH混合模型预测的命中率是85%（绝对误差12度）。TGARCH为非线性预测模型，它克服了以往炉温控制模型只对炉况较稳定下才能预测的缺陷，模型不仅能较准确的预测炉温，而且还能利用“杠杆效应项”系数判断炉温“向凉”或“向热”的波动趋势，也能为实际操作者提供指导性的意见。关键词：TGARCH模型；典型相关分析；非对称性；异方差性IAbstractReasonablecontrolofthefurnacetemperatureisthekeyfactorofblastfurnaceproductionstable,highefficiency,anterogradeincomplexofblastfurnaceironmakingprocess.However,manyparametersthateffectoftheblastfurnacetemperatureandhasstrongvolatility,heteroscedasticity,asymmetry,etc.factorscausedbytemperaturecontrolanddifficulttopredict.Inordertocontrolthetemperatureofblastfurnaceinareasonablerange,needtobeconstructedtoovercomethesedifficulties,theeffectiveblastfurnacetemperaturepredictionmodel.ThetimeseriesmodelofforecaststockfluctuationinthefieldoffinancialwillbeusedformoltenirontemperaturepredictionandTGARCHhybridmodelforpredictionmoltenirontemperaturebasedoninfluencefactorsandtimeseriescombinationisestablishedinthisarticle.Thisarticlefirsttakeadva