目前,在中国甲醇作为化工产业中最为基础的工业产品,其价格的变化受到了大家的广泛关注。然而,甲醇价格受到多种因素的影响,这些因素包括:上游产品价格、下游产品价格、甲醇进出口价格、国内外经济形势、季节气候和行情新闻等。这些因素,相互干扰,相互影响,共同作用,使甲醇的价格变化莫测。因此,准确的预测甲醇价格的变化是一个极有意义且极有挑战性的热点和难题。本文围绕着预测甲醇价格变化的问题展开研究,采用特征选择神经网络、文本挖掘、自然语言处理等方法,分别从相关因素特征选择预测甲醇价格和融合甲醇新闻情感分析预测甲醇价格变化趋势的两个方面展开研究,并构建甲醇价格预测系统。本文的研究工作主要包括以下三个方面:（1）设计并实现了一种基于RF-Bi LSTM的甲醇价格预测方法。考虑到甲醇价格自身的非稳定性、高噪性和易受其他相关因素影响的特点。该方法首先通过随机森林（Random Forest,RF）对初始特征集中的相关因素进行分析,以解决数据集中相关特征之间高度非线性和特征冗余的问题,筛选出对甲醇价格变化影响较大的相关因素,组成新的数据集,优化了输入特征,降低了特征维度和模型训练复杂程度。再采用双向长短期记忆网络（Bidirectional Long Short-Term Memory,Bi LSTM）模型对甲醇进行价格预测,并与对比模型进行对比实验。实验结果表明,经过随机森林特征选择后的RF-Bi LSTM模型预测结果相较于直接采用Bi LSTM模型预测效果更优:均方根误差、平均绝对误差分别降低了3.14%、4.11%,拟合度提升了5%。同时与对比模型LSTM、BP、GARCH相比较,RF-Bi LSTM模型拟合度表现最佳,均方根误差、平均绝对误差均低于其它三种模型。因此,利用随机森林数筛选出强相关因素与甲醇价格组成新的数据集,通过Bi LSTM进行甲醇价格预测,可以去掉无关变量,降低输入特征的维度,减少模型训练的时间,提高甲醇价格预测的准确性,为相关企业决策者和参与甲醇产品的投资人制定决策提供数据支撑。（2）设计并实现了一种融合甲醇新闻情感分析的甲醇价格变化趋势预测模型。如今,在甲醇价格变化趋势预测的研究中,实验数据一般采用甲醇市场价格,相关产品价格和甲醇进出口价格等数值型数据。随着自然语言处理（Natural Language Processing,NLP）技术的不断发展,通过分析甲醇新闻预测甲醇价格变化趋势已成为了可能。通过数据挖掘技术,及时获取甲醇相关的新闻,通过自然语言处理模型对甲醇新闻文本进行特征提取,计算新闻的正负面情感系数,进而用正负面情感系数来预测甲醇价格的变化趋势。本文首先为获取到的甲醇新闻设置情感标签,正面新闻标签为1,负面新闻标签为0,随后利用预训练的语言表征模型（Bidirectional Encoder Representation from Transformers,Bert）获取甲醇新闻的文本特征,再利用Bi LSTM模型对甲醇新闻进行正负面情感计算,最后将甲醇价格与甲醇新闻的正负面情感系数输入长短期记忆网络（Long Short-Term Memory,LSTM）,预测甲醇价格的变化趋势。实验结果证明,通过SA-Bert-LSTM模型进行甲醇价格变化趋势预测,预测结果（精确率、召回率、准确率、F1值）,均高于对比模型LSTM、SVM、BP和XGBoost的预测结果。因此,本文在对甲醇价格变化趋势预测的过程中,引入了甲醇新闻的情感分析。相较于单纯使用甲醇价格特征和其他甲醇价格强相关特征来预测甲醇价格变化趋势,新闻正负面情感系数的引入,可以更精确的预判甲醇价格未来走势。（3）构建甲醇价格预测系统。本文基于上述甲醇价格预测,甲醇价格变化趋势预测的研究,构建甲醇价格预测系统。该系统具有数据分析,价格预测和决策建议的功能,可以为企业决策者和甲醇产品投资者,提供历史数据可视化分析和甲醇价格、甲醇价格趋势变化的预测,为他们开展相关经营或投资提供有力支撑。