目前,我国大部分油田已处于开发的中、后期。随着开发的进行,油田出现了一系列问题:油井采出程度较高、长期处于高含水与特高含水阶段、开发难度大;各个采油厂原油成本快速上升、成本分布不均;资金投入、周转困难等。这些问题导致石油产量逐步下降、效益降低。在此背景下,石油企业如何依据现有的资源和技术运用机器学习方法,提高油田产量预测水平,合理的构建油田配产多目标优化模型,实现对油田产量和资金投入量的科学规划,提高石油企业决策水平,这将是各大油田公司可持续发展的战略目标。(1)针对传统预测模型预测精度不高,影响因素考虑不全面的问题,本文提出了基于ARIMA-LightGBM-LSTM模型融合的预测方法。首先,使用ARIMA模型对产量列做单变量预测,将预测值作为新变量同特征选择得到的特征一起放入LightGBM模型中进行不同属性的挖掘,并将预测值合并到第二次特征选择得到的多变量序列中,然后将得到的多变量序列利用LSTM模型进行预测。通过对3种模型预测结果加权组合,并多次实验得出最佳权值来计算最终的预测值。仿真数据结果表明,基于ARIMA-LightGBM-LSTM加权组合的多变量预测方法能够比单一的预测方法获得更精准的预测值。(2)改进MOEA/D算法来解决油田配产问题。油田配产是合理配置产量、投入资金及产出利润的多目标优化问题,以总产量最大、总资金投入量最少、总利润最大作为三个优化目标。本文在基于分解的差分进化算法的基础上,将Q矩阵记忆算法引入其中,设计出一种更适合求解多目标优化问题的MOEA/D-Q算法以完成模型的求解。研究过程中以某油田为例进行实验,根据多目标优化结果设计2009年油田的配产方案。与真实的油田配产结果进行对比分析,证明了该算法在解决多目标优化问题上能够取得良好的效果。