能源作为人类生活和发展的必须物质,对能源的产量做出合理的预测是必不可少的。生活能源主要以消耗石油和天然气为主,石油产量的多少与国民经济的发展有着直接的联系,石油的产量相当于国民经济的血液。石油作为一种不可再生的能源,对石油产量做出合理的规划和使用是势在必行的。对于石油产量做出合理预测,对指导石油人员的分配,以及石油的规划使用具有重要的意义。针对传统的石油产量预测方法,本文基于深度学习的方法对石油产量做出合理的预测。本文研究主要工作内容和成果:1、本文综合分析了影响石油产量的一些主要因素,并且利用皮尔逊相关系数对影响石油产量的因素进行了定量分析,对影响石油产量因素大小进行了排序。通过皮尔逊积矩相关系数可得,影响石油区块产量的主要因素有核实月产油量、注水井开水井数、地质储量、注水井总数、井口月产油、采油井开井数、可采储量、年注入量、采油井总井数、累计产油量、年产液量等11个正相关的皮尔逊积矩相关系数且相关系数大于0.9。还有水质合格率和采油经营成本负相关因素的取值很小,几乎没有什么影响。2、以区块为单位,对单因素影响石油的产量进行分析预测。使用了深度学习中的多个模型,对单因素石油产量进行预测。对实验的数据集进行了归一化预处理,使得数据符合深度学习模型训练的平滑数据。分别使用LSTM、Bi-LSTM、LSTM-seq2seq、Bi-GRU-seq2seq和Bi-LSTM-seq2seq等方法训练出单因素区块石油产量预测模型,通过比较分析实验可以得出,使用Bi-LSTM-seq2seq方法训练出的模型预测效果最好,准确率达到99.5%。3、多因素区块石油产量预测,利用机器学习的方法对多因素区块石油产量进行预测。首先,对数据进行预处理。分别使用Ridge回归、Lasso回归、随机森林算法回归、Elastic net和XGBoost算法训练出模型对区块多维度石油产量进行预测。首先,使用包括全部特征的实验数据集,对石油产量预测,通过比较分析实验可以得到,随机森林算法预测效果最好,拟合优度达到了0.829。然后,使用提取主要特征的实验数据,通过分析比较实验可以得到,随机森林算法训练出的模型预测效果最接近实际产量,拟合优度最好,达到0.851。