集成式的CNN-LSTM-XGBoost混合模型能够预测页岩油的地震属性以及全球油价趋势

《Scientific Reports》：Integrated CNN–LSTM–XGBoost hybrid model predicts shale oil seismic attributes and global oil price trends

　　

摘要

本研究提出了一种混合模型（CNN–LSTM–XGBoost），该模型将页岩油地震属性与宏观经济指标相结合，用于预测全球油价。该模型利用3D卷积神经网络（3D CNN）从地震数据中提取空间特征，并通过长短期记忆网络（LSTM）捕捉经济数据中的时间依赖性，最终通过XGBoost回归算法对融合后的特征进行处理。实验结果表明，该模型的均方根误差（RMSE）为3.61美元/桶，决定系数（R2）为0.847，平均绝对百分比误差（MAPE）为6.98%，其预测性能比单独使用的模型高出12.7%至23.1%。SHAP分析显示，地震属性对模型输出的边际影响平均为0.19。该模型以地震属性作为输入特征来预测油价趋势，为地球物理与经济数据的综合分析提供了一个透明且易于解释的框架。在局部层面，该模型通过将地震数据揭示的储层质量与中期供应预期联系起来，帮助页岩油运营商优化钻井和生产决策；在更广泛的全球层面，该框架展示了如何系统地将地质信息纳入能源市场预测中，为在供应不确定性条件下进行地缘经济建模提供了新的方法。