大型语言模型作为软信息推理工具：一种用于电解铜价格预测的新型多模态深度学习方法

《Engineering Applications of Artificial Intelligence》：Large language models as soft information reasoning tools: A novel multimodal deep learning method for electrolytic copper price prediction

　　摘要：准确预测电解铜等关键原材料的价格，对于企业的采购、库存管理、成本控制以及风险防范具有重要意义。然而，由于价格波动的非线性特征、复杂的市场驱动因素，以及数值型硬信息与文本型软信息难以整合，电解铜价格预测面临诸多挑战。为解决这些问题，我们提出了一种全新的预测方法——BCBM（BERT-CNN-BiGRU-MHGAAM），这是一种多模态预测模型，整合了Transformer中的双向编码器表示（BERT）、卷积神经网络（CNN）、双向门控循环单元（BiGRU）以及多头高斯自适应注意力机制（MHGAAM）。在BCBM中，大型语言模型被用于生成与政策信号、市场情绪、行业动态及突发事件相关的推理型软信息。BERT和CNN从生成的软信息中提取语义和局部文本特征，而BiGRU则用于捕捉来自国通高科技有限公司的数值型硬信息中的时间依赖性。随后，MHGAAM会自适应地融合这些软信息和硬信息，从而实现最终价格预测。实验结果表明，相比传统的机器学习模型、单一深度学习模型以及先进的多模态模型，BCBM在预测精度和稳定性方面表现更优。该方法为电解铜市场的数据驱动型采购和风险管理决策提供了有力的技术支持。

引言：重要的战略资源和原材料是指那些对社会经济发展、技术进步以及国家安全至关重要的有形资源类别。它们在保障国家发展与安全方面发挥着关键作用，其范畴会随着社会经济状况和全球资源分配的变化而动态演变（Wang等人，2023）。这类资源主要包括关键的金属材料，如电解铜、铝、镍和稀土元素，以及能源相关原材料，包括煤炭、石油、天然气和锂基资源（Wang等人，2023）。在全球金融局势不稳定、贸易保护主义抬头以及地区冲突频发的背景下，准确预测战略资源的价格变得越来越重要。价格波动会直接影响工业生产成本、供应链稳定性以及投资决策（Huo等人，2025）。对政府而言，可靠的预测有助于制定经济政策并维护国家安全；对企业来说，则能帮助其做出明智的采购决策、实现高效的库存管理，并有效降低风险。因此，准确的价格预测对于维持市场稳定以及为工业决策提供支持至关重要。在各类战略资源中，电解铜尤为重要，因为它在制造业、交通运输业、电力设备以及能源系统中起着不可或缺的作用（Huang等人，2026）。其价格波动会显著影响电力设备及可再生能源基础设施的生产成本，进而影响工程项目的经济效益。因此，准确预测电解铜价格对于帮助企业优化生产计划、控制成本以及改进采购决策具有十分重要的意义（Tseng和Nguyen，2025；Lu和Xu，2024）。

作为电解铜的主要消费国之一，中国的表观消费量从2005年的约368万吨增长到2025年的预计1613万吨，显示出市场需求的巨大扩张。然而，尽管国内冶炼能力持续提升，但由于上游铜精矿的短缺，中国依然高度依赖外部原材料供应，呈现出需求旺盛但自给率不足的结构性失衡状况。近年来，全球铜供应也面临着诸多干扰因素，包括矿石品位下降、地缘政治冲突以及生产中断等。与此同时，在“双碳”战略的推动下，可再生能源、电动汽车以及人工智能计算基础设施的快速发展进一步加剧了对电解铜的需求。因此，电解铜价格受到全球宏观经济周期、供需关系、矿业中断、汇率波动、库存变化以及地缘政治冲突等多种复杂因素的影响。传统的预测方法主要依赖于价格、库存、产量和贸易流量等结构化的数值数据（C. Zhao等人，2025），但在捕捉政策预期、新闻冲击、市场情绪以及地缘政治事件等非结构化信息方面存在局限。因此，将文本语义信息与定量市场数据相结合，是提升预测性能并支持更可靠决策的一种有效途径。

像电解铜这样的战略资源价格预测本质上是一个由多因素耦合、非线性动力学以及多源异构信息共同驱动的复杂预测问题。电解铜价格受历史价格、库存、产量、贸易流量、宏观经济形势、政策变动、市场情绪以及突发事件等多种因素的影响。这些因素彼此之间动态交互，使得价格序列具有高度的非线性和时变性。现有的价格预测方法主要包括传统的统计模型和机器学习方法。传统的统计模型，如自回归模型、移动平均模型以及ARIMA模型，能够捕捉某些线性趋势，但在处理电解铜价格的非线性波动和时变特性方面存在局限性。机器学习方法，如支持向量机、极限学习机以及决策树，在非线性建模方面具有一定优势，但在处理高维特征、复杂的变量交互以及多源信息融合时，仍受到计算复杂性、特征表示能力和泛化能力的限制。因此，传统方法无法完全解决战略资源价格预测中的多因素耦合和复杂动态变化问题。相比之下，深度学习方法非常适合用于电解铜价格预测，因为它们能够从大规模数据中自动学习高级表征，并捕捉时间序列中的复杂非线性依赖关系。循环神经网络（RNN）、长短期记忆网络（LSTM）和卷积神经网络（CNN）等模型能够从大规模数据中自动提取高级特征，并有效刻画时间序列中的复杂依赖关系，在非线性建模和多源信息表示方面展现出显著优势。因此，深度学习方法为解决战略资源价格预测中的多因素耦合和复杂动态建模问题提供了有效的技术路径。

为克服传统电解铜价格预测数据收集方法的局限性，我们的研究试图通过利用大型语言模型来革新这一预测方法。这类模型在整合和分析大量市场信息方面具有独特优势，包括全球各种因素、经济指标以及供需动态等，从而为价格波动分析提供宝贵的洞察。考虑到网站架构和知识产权限制带来的挑战，我们创新性地运用ERNIE Bot、科大讯飞Spark以及通义千问等大型语言模型，生成包含价格记录的高质量每日文本数据。这些数据富含新闻报道、社交媒体情绪以及行业分析内容，能够精准捕捉市场情绪、预期以及行为模式的细微差别。

为弥合非结构化的软信息与结构化的模型输入之间的差距，我们采用了以BERT模型为核心的预处理框架。BERT具备强大的深度上下文理解能力，能够高效地将文本数据转换为高维句子向量，在保留信息丰富性和多样性的同时，便于后续分析。这种方法不仅规避了传统方法的局限性，还能提升预测模型对复杂市场动态的理解能力。

考虑到硬数据和软数据的差异性，我们提出了一种多模态融合预测方法，该方法整合了CNN和BiGRU用于特征提取。CNN擅长从软信息中挖掘语义结构，从而提升特征的通用性和鲁棒性。而BiGRU凭借其双向上下文理解能力和门控机制，能够很好地捕捉数值型价格数据中的长期依赖关系。这种双通道架构能够全面呈现定性和定量两种类型的市场信号。

为有效融合这些不同的信息来源，我们采用了多头高斯自适应注意力机制（MHGAAM）。这种创新方法能够根据输入特征与电解铜定价的统计重要性和相关性动态调整权重，有效抑制噪声并突出关键模式。MHGAAM具备出色的适应性以及并行处理能力，能够帮助模型应对复杂的 数据结构，从而实现更准确、更可靠的 price预测。

因此，我们提出了一种名为BCBM的价格预测模型，该模型整合了BERT、CNN、BiGRU和MHGAAM这四种技术。该模型旨在利用大型语言模型的能力进行全面的软信息推理，借助BERT进行文本预处理，运用CNN和BiGRU实现双通道特征提取，同时通过MHGAAM实现特征的自适应融合。这种集成方法是对传统方法局限性的积极探索，旨在为电解铜价格预测开辟新的思路。

本研究旨在构建一个电解铜价格预测框架，该框架将认知型大型模型与多模态深度学习相结合，以提高预测精度、增强模型稳定性，并为实际决策提供支持。具体而言，本研究的目标有三个方面。首先，本研究致力于同时捕捉数值型硬信息以及大型语言模型生成的文本型软信息，从而提升模型识别价格趋势、市场波动以及潜在风险信号的能力。其次，本研究旨在通过整合结构化的市场指标与政策信号、市场情绪、行业动态等非结构化的文本信息，进一步提升电解铜价格预测的性能。第三，本研究旨在为企业采购和库存管理提供实际支持，帮助企业确定合适的采购时机和数量，控制原材料成本，降低库存风险，进而提高采购决策的精准度和效率。

此外，本研究处于软硬信息融合与人工智能辅助经济建模的交叉领域。在复杂的经济体系中，价格波动不仅受历史价格、库存、产量和贸易流量等数值型硬信息的影响，还受政策预期、市场情绪、行业新闻以及突发事件等文本型软信息的影响。因此，电解铜价格预测为探索如何联合建模不同类型的信息以支持更可靠的经济预测和工程决策提供了一个典型范例。通过引入大型语言模型生成的推理型软信息，并通过多模态深度学习框架将其与企业层面的数值型硬信息相结合，本研究将现有的价格预测研究从单一数据源建模拓展到了基于软硬信息融合的人工智能辅助经济预测领域。

本研究将从以下几个方面作出贡献：1）用于电解铜价格预测的大型语言模型生成的推理型软信息。本研究引入大型语言模型，为电解铜价格预测生成多维度的推理型软信息。与传统通过网络爬取的文本不同，大型语言模型生成的软信息并非仅限于对表面文本的收集，它能够从复杂的市場环境中推断出与价格相关的信息，包括新闻报道、社交媒体情绪、行业分析、政策信号、突发事件以及市场预期等。而且，这些每日生成的文本信息与国通高科技提供的数值型硬信息的日期相对应，从而为预测模型提供了互补的多模态输入。为验证大型语言模型生成的软信息的独特价值，本研究通过对比实验和消融实验，分析了仅使用数值型硬信息、仅使用网络爬取的文本信息以及同时使用这两种信息的模型效果。2）一种与以往多模态融合模型截然不同的BCBM框架。本研究提出了一种名为BCBM的多模态双通道预测框架，用于同时对文本型软信息与数值型硬信息进行建模。与以往主要依赖特征直接拼接、加权融合或传统基于注意力的整合方式的CNN-LSTM-AM和MCGAM等多模态融合模型不同，BCBM将不同类型的资料分为两个专门的通道。在软信息通道中，BERT和CNN用于从大型语言模型生成的文本中提取语义表征和局部文本特征；在硬信息通道中，BiGRU则用于捕捉数值型价格数据中的时间依赖关系。这种双通道结构使得BCBM在建模跨模态交互的同时，能够更好地保留各模态特有的信息，从而在复杂的市场波动环境下提升预测的精度和稳定性。3）用于实现自适应多模态注意力分配和噪声抑制的MHGAAM机制。本研究进一步设计了多头高斯自适应注意力机制，以增强软信息与硬信息的融合效果。与那些主要依据相似度分数来计算注意力权重的传统注意力机制不同，MHGAAM在注意力计算过程中引入了可学习的高斯分布参数。通过动态调整高斯分布的均值和标准差参数，不同的注意力模块能够聚焦于不同的特征区域和交互模式。这使得模型能够强化与价格相关的关键信号，同时抑制来自不同来源的无关或噪声信息。因此，MHGAAM提供了一种更为自适应且精细的融合机制，有助于捕捉大型语言模型生成的软信息与数值型硬信息之间的复杂非线性关系。利用国通高科技提供的真实世界历史原材料期货价格数据进行的实验，进一步证明了所提出的框架在支持企业采购、成本控制以及风险管理决策方面的有效性及实用价值。

本文的其余部分结构如下。第2节回顾了利用硬信息和软信息进行价格预测的现有文献，并指出了研究中的空白。第3节详细介绍了方法论，包括BCBM模型中硬信息和软信息的提取与融合过程。第4节展示了实验分析，涵盖了数据、评估标准、性能比较以及消融研究。最后，第5节总结了论文的发现、实际意义以及未来的研究方向。

相关研究
根据信息来源，期货价格预测方法大致可分为两类：一类仅依赖硬信息，另一类则结合硬信息和软信息以实现更全面的预测。在此背景下，“软信息”指的是由大型语言模型生成的、与特定价格数据日期相对应的小规模日常文本描述，也即定性信息。而“硬信息”则指定量数据。

方法论
在本研究中，我们运用大型语言模型和深度神经网络，充分利用电解铜价格的软信息和硬信息特征来预测其价格。具体流程如图1所示。该模型主要由软信息和硬信息的特征提取层、特征融合层以及预测层组成。其核心思路是首先利用大型语言模型生成软信息，再通过卷积神经网络提取与电解铜价格相关的软特征。

数据描述与实验设置
本研究中的实验数据包含两个主要部分：硬信息和软信息。
硬信息：准确的基础数据对于预测电解铜的价格走势至关重要。为此，我们与国通高科技有限公司建立了深度合作关系，系统地收集和整理电解铜及相关材料的每日价格数据。这些数据不仅记录了每日的最高价和最低价，还包含了多达55项关键的硬信息指标。

研究发现总结
本研究提出了BCBM这一多模态电解铜价格预测框架，它将大型语言模型生成的文本型软信息与数值型硬信息相结合。实证结果表明，BCBM的预测性能优于传统的机器学习模型、单一深度学习模型以及先进的多模态或注意力机制模型。这一优势主要源于两个方面：首先，大型语言模型生成的软信息丰富了数据的表征能力。

作者贡献说明
夏鹏凡：数据整理、方法论设计、监督指导、初稿撰写。胡宏：软件工具使用、验证工作、初稿撰写。Vedpal Arya：验证工作、结果可视化、审稿与编辑。陶志夫：数据整理、资金申请、方法论设计、审稿与编辑。金菲菲：方法论设计、验证工作、结果可视化、初稿撰写。张艳艳：方法论设计、初稿撰写。

利益冲突声明
我们声明，我们与任何可能不当影响我们工作的个人或组织之间不存在财务或个人关系，同时，在任何产品、服务及公司方面也不存在可能影响本文观点或评审结果的任何形式的专业或其他个人利益。

致谢
本研究得到了教育部人文社会科学研究项目（编号25YJCZH298）、国家自然科学基金（编号72271002）、安徽省自然科学基金（编号2508085QG270）、安徽省社会科学创新发展计划（编号2024CXQ014）以及安徽省高等学校哲学社会科学科研项目（编号2024AH052202）的支持。

夏鹏凡|胡宏|Vedpal Arya|陶志夫|金菲菲|张艳艳
中国安徽合肥230601，安徽大学大数据与统计学院