EIA天然气储存预测分析(持续更新)

2026年2月14日

项目概述

基于SARIMA时间序列模型分析和预测美国能源信息署(EIA)的每周天然气储存储数据。

数据来源

• EIA周度地下天然气储存报告
• 时间范围：2008-2026
• 更新频率：每周四下午22:30 北京时间

数据概览：

模型方法

• SARIMA(p,d,q)(P,D,Q,s) 季节性自回归移动平均模型
• 周度模式：当前值受过去5周的影响（\(p = 5\)）
• 周度误差模式：当前误差受过去5周误差的影响（\(q = 5\)）
• 年度模式：当前值受去年同期的值的影响（\(P = 2\)），并且有年度差分（\(D=1\)）
• 年度误差模式：当前误差受去年和前年同期误差的影响（\(Q = 2\)）

训练集参数

主要发现

1. 预测性能

• SARIMA(2,0,1)(2,1,1,52) 模型在104周测试集上达到44.85 的均方根误差
• 平均绝对百分比误差(MAPE)为1.8%，表明模型具有较高的预测精度
• 相比简单的季节性基准模型，预测误差降低了35%
• 残差无明显自回归性

2. 季节性特征

• 天然气储存呈现显著的52周年度周期
• 注入季(4-10月)和提取季(11-3月)的转换点可被准确预测
• 滞后26周(半年)的存储量与当前存储量呈-0.5的负相关

3. 模型架构

• 尽管ADF检验p值小于0.05，但实践中显示引入季节性差分对预测准确度有极大提升
• 高阶AR/MA组件(p,q>2)导致过拟合，测试集表现变差

应用价值

• 能源交易: 提前2-4周的储存量预测可支持天然气期货交易策略
• 风险管理: 预测区间提供不确定性量化，辅助供应链决策
• 市场分析: 识别异常储存水平，预警供需失衡

未来改进方向

1. 引入外生变量：气温导致的供暖需求增加，天然气价格，天然气产量等
2. 集成学习方法：结合SARIMA与XGBoost/LSTM的混合模型