基于强化学习的铁矿石海运运价分解-集成区间预测策略

为解决铁矿石海运运价波动带来的市场风险，研究人员提出了一种结合季节性趋势分解（STL）与强化学习（RL）的动态区间预测方法。通过分解趋势、季节和残差成分，并利用多模型集成和RL动态权重调整，实现了61.29%的区间覆盖概率和0.02428的偏差，显著提升了预测精度，为航运市场决策提供了可靠的风险管理工具。

　　

铁矿石作为钢铁生产的关键原料，其海运运价的剧烈波动直接影响全球贸易和工业成本。然而，传统预测方法（如ARIMA、VAR）依赖线性假设，难以捕捉非平稳和非线性特征；单一机器学习模型（如LSTM、XGBoost）则对动态市场适应性不足。此外，点预测无法量化不确定性，导致决策风险。为此，中国的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出了一种融合分解-集成框架与强化学习的创新区间预测策略。

研究采用季节性趋势分解（STL）将原始运价序列拆解为趋势、季节和残差成分，针对高频波动的残差部分，结合四种区间预测模型（如iMLP、Holt^I）和强化学习动态权重优化，最终集成各成分预测结果。实验以中国进口铁矿石主要航线C3为对象，验证了方法的优越性。

季节性趋势分解
STL分解揭示了运价序列的长期趋势、固定周期性和随机波动，为后续分成分预测奠定基础。

残差成分区间预测
通过MSVR、Holt^I等模型对残差建模，强化学习动态调整权重，显著提升高频波动捕捉能力。

集成预测性能
最终区间预测的覆盖概率达61.29%，偏差仅0.02428，优于传统固定权重方法和单一模型。

该研究的意义在于：一是通过分解-集成框架解决了复杂时间序列的异质性特征建模问题；二是强化学习的动态权重机制适应了航运市场的实时变化；三是区间预测为行业提供了风险量化工具，辅助应对价格极端波动。研究团队进一步指出，该方法可扩展至其他大宗商品运价预测领域，但需考虑不同航线数据的特异性。