预测全球石油需求：机器学习技术的应用

本文介绍了一种结合机器学习技术预测全球石油需求的新方法，通过整合七种精炼油产品和七个关键地区的消费预测，提供全球需求趋势的综合视图。研究发现，神经网络层次插值时间序列预测（N-HiTS）模型在预测准确性上优于极端梯度提升（XGBoost）模型。

研究采用自上而下的方法，使用经济和其他行业特定指标作为输入，预测全球不同精炼油产品在七个全球地区的需求。预测结果按地区和产品进行汇总，形成全球石油需求的综合视图。研究使用均方误差（MSE）和平均绝对百分比误差（MAPE）等指标评估模型性能，目标是将一年期样本外预测的MAPE控制在10%左右。

研究结果表明，N-HiTS模型在大多数地区表现优于XGBoost模型，尤其是在美国、欧洲、亚太地区和中国。N-HiTS模型只需为每个地区构建一个模型，而XGBoost模型需要为每个地区构建多个模型，因此N-HiTS模型在维护和更新方面更具优势。

短期预测分析显示，模型预测的2019年和2022年全球石油需求与实际数据非常接近，与IEA、OPEC和US EIA的共识预测相比，预测结果具有竞争力。中期预测分析显示，到2028年，全球石油需求预计将增长8.5百万桶/天，其中非经合组织国家将占主导地位，尤其是中国和印度。与IEA和OPEC的共识预测相比，本研究预测的全球石油需求略高，主要原因是对新技术和效率增长的假设较为宽松。

情景分析表明，宏观经济风险和航空业发展对中期石油需求预测有显著影响。宏观经济下行风险预计将减少2024-2028年全球石油需求增长，而航空业情景分析显示，对航空旅行的乐观预期将推动石油需求增长。

研究结论认为，机器学习技术在全球石油需求预测中具有巨大潜力，能够提高预测的准确性和效率。本研究提出的方法不仅克服了传统计量经济学模型的局限性，还提供了一种简单、自上而下的预测方法，为能源行业的战略规划和决策提供了更有力的支持。