近年来,煤炭价格的波动程度尤为复杂。其价格的涨跌往往预示未来一段时间的经济发展方向,如何准确预测煤炭价格的涨跌已经成为重要的研究课题。但随着对煤炭价格研究逐渐深入,人们发现煤炭价格与往期煤炭价格联系十分密切,因此从时间序列中获取未来煤炭价格走势就显得十分重要。依靠时间序列中获得的可靠的预测结果有利于公司事先掌握煤炭价格的走势,从而适当的调整资金调动,对企业的生产规划做出相应调整,降低亏损概率等;同时也有利于国家对于宏观经济的调控,对可能存在的问题及时做出政策调整,从而避免煤炭资源的进一步滥用。本文梳理了目前关于煤炭价格预测的相关研究成果,分别从数据预处理、优化算法、神经网络三个部分介绍了本文的理论基础。并在此基础上选择了小波阈值法、基于反向学习的NSGA2算法以及Elman神经网络作为组合模型的一部分,利用了内蒙古,山西,安徽等地的煤炭价格时间序列数据进行模型的训练。根据不同的模型指标进行测评,从不同方面不同角度验证本文所提出的模型的稳定性,对比不同的模型得到最终结论。全文共分为五个章节。第一章为绪论,介绍煤炭价格预测的研究背景和意义,对煤炭价格预测相关的文献做系统性的梳理,并对本文的研究思路和框架做基本描述,最后指出本文的创新点和不足之处。第二章是本文的主要理论基础,具体介绍了数据预处理方式中的小波阈值法,多目标优化算法中的基于反向学习的NSGA2算法以及神经网络中的Elman神经网络。第三章主要是介绍了实验设计思路、步骤以及模型测评方面的各个指标,并详细介绍了各个实验的目的,为下一步的实证分析做足准备。第四章主要是对各个实验下的数据进行有效分析。从实验一中可以得出优化算法的优越性以及在组合模型中的适用性;实验二中可以得出本文所提出的组合模型在众多模型中占有较大的优势;实验三可以得出模型在不同地区不同时期的数据下的表现,用以验证模型的稳定性能。第五章是结论及展望,基于上述分析结果对本文所述模型进行总结和展望。研究结果表明,相较于 DE-BP,GRNN,LSSVM,OBL-NSGA2-Elman,WT-MOPSO-BP,WT-MOPSO-Elman,WT-OBL-NSGA2-BP,LSTM,WNN,SSA-BBO-ENN,VMD-CS-ENN这11个模型,本文所提出的模型具有更高的准确性以及更好的稳定性,在煤炭价格的预测上表现优异。本文所提出的模型的创新点有以下两点:首先本文提出了一种新的组合模型,该组合模型是由小波阈值法、基于反向学习的非支配快速排序遗传算法和Elman神经网络构成。小波阈值法能有效的提取时间序列中的有效信息,基于反向学习的非支配快速排序遗传算法融合反向学习机制,相比于传统的NSGA2算法能够更快收敛于最优值,经过优化算法优化初始权重后的Elman神经网络更具有较强的稳定性,非线性拟合能力也得到了大幅提升。其次,在模型测评方面也包含全面的测评指标体系。测评体系不仅从时间空间的角度证明了模型的稳定性,而且从多个指标维度进行验证,得到模型的合理的、全方位的评价。最终的结果表明本文所提出的模型比其他的模型更为有效,为煤炭价格预测提供了新的方法。