随着信息技术的蓬勃发展,人工智能在不同领域中的应用层出不穷,越来越多的工程师致力于将人工智能技术带到更多的应用场景之中。煤炭是当今世界最为重要的能源燃料之一,是我国供电供热的根本保障,其价格受产量、供需、运输、终端用户需求等各方面因素影响。近年来,针对时间序列预测的机器学习技术有着长足的发展,部分基于神经网络的预测方法其准确度已经超过传统的统计预测方法。若能通过大数据建模方法对煤炭价格进行预测,便可以为燃料采购提供纯数据驱动的决策依据,进一步在燃料市场占据主动,有利于将来为发电侧的深度调峰工作打好坚实的物质基础,带来更好的经济效益。因此,本文利用数据挖掘与分析的方法研究影响煤炭价格变化的因素,构造了煤炭价格指数日预测数据集;为解决预测结果时效性问题,定义了预测模型的时间序列多元输入与多元输出结构;构建了时序卷积网络模型进行实验,准确预测了未来多期的煤炭价格,具体研究内容如下:（1）通过文献调研影响煤炭价格的因素,收集整理相关数据,加入工作日特征来保证收集到的特征变量的序列连续性,避免节假日不进行记录的数据项造成数据集整体序列上的缺失。通过相关性分析、Granger因果关系检验等数据分析方法,研究采集到的各特征变量与煤炭价格之间的关系,并确定存在滞后影响的特征变量的滞后系数。以此为依据构造煤炭价格指数日预测数据集。（2）基于数据挖掘与分析结果,进行数据有效性验证,确定预测需要的多元时间序列数据输入天数,以及理论上能够实现较为准确预测的最多天数。以此为依据,定义预测模型的时间序列多元输入与多元输出结构。（3）基于时序卷积网络的理论基础构造深度神经网络,对构造的数据集进行预测实验,并建立双向LSTM网络与双向GRU网络模型进行对比分析。发现时序卷积网络应用于此类积累时长较短的数据集,能够发挥其更强的表征学习能力与残差模块特点,有效缓和循环神经网络易出现的过拟合问题,准确预测煤炭价格的同时,模型表现出更好的稳定性。综上所述,本文通过研究影响煤炭价格的因素,构造了煤炭价格指数日预测数据集,构建进行预测的时间序列多元输入与多元输出结构,并通过构造循环神经网络及时序卷积网络进行实验,为煤炭价格中短期预测提供了实际应用有效的解决思路。