钢铁生产在国民经济具有举足轻重的地位，是社会发展的重要物质保障。中国近50年来在钢铁行业有着突飞猛进的发展。钢铁价格的波动对国民经济以及相关行业带来深远的影响。钢铁价格波动的因素有很多，既有来自宏观经济的影响，又会有生产成本，供求关系，国际贸易，国家政策等诸多的因素。因此，很多国内外的学者对钢铁价格的预测展开了深入而全面的研究。目前，对钢铁价格预测研究的算法主要有线性回归法，小波分解算法，支持向量机法，聚类分析法等。在这大数据时代，一个好的预测方法可以为决策者提供强有力的决策依据。其不仅可以准确的预测价格的走势，还可以预测顾客对商品的需求，从而让生产者有效的安排生产，减少企业的库存，合理安排物流，提高企业的生产效率，提高顾客对企业的满意程度，综合提高企业的竞争力。目前用于预测的方法有很多,但是目前的研究工作比较局限于小数据量的预测。在大数据时代，如何有效的利用大数据进行预测，有及其重要的意义，这样不仅使得原始数据更有说服力，而且可以使得预测更加的精准。重要的是，如果运算的速度足够快，那么我们就可以使得预测的数据实时的展现，可以为决策者提供最有力的数据支撑，从而大大提高生产效率。由于钢铁价格具有非线性和因子难以确定的特点，在数据挖掘预测分析时候，传统的预测方法只能对钢铁价格进行小数据量的分析，导致预测精度低，速度慢，效率低下。随着大数据的深入研究，内存计算技术成为研究热点，用户对实时数据处理技术的需求越来越高。因此，本文在钢铁价格预测模型中，引入内存计算技术，提出基于内存计算的LM-BP神经网络预测算法。利用2002年到2010年的钢铁价格、产量、库存、GDP等数据建立预测模型。最后，仿真实验结果表明，基于内存计算的预测模型算法不仅速度快，而且精度高。具体的工作有如下几个方面：（1）概括总结了现阶段钢铁价格预测分析中的主流方法，提出本文的研究思路。（2）介绍了BP神经网络的基础知识，在前人研究的基础上总结了BP神经网络的优点和缺点，并针对缺点提出了解决方案。并且分析了BP神经网络模型在价格预测中的优势。（3）介绍了HANA的架构，分析了HANA的内存技术的特点。并且分析了HANA中的分析预测库PAL。（4）详细的分析了如何在内存计算中构造BP神经网络的模型来预测钢铁的价格。包括实验环境的配置，以及预测模型的构造和实验结果分析。