天然气价格预测智能体如何构建？全球供应、进口、需求与供需缺口

去年冬天，一位城燃企业的采购负责人跟我聊起他们的日常：每天早上八点半，团队要先花两个小时把JKM、TTF、亨利港的价格、欧洲储气库库存率、中亚管道气的日输量、接收站船期、中央气象台的降温预报挨个扒一遍，再拼成一张Excel表交给领导。等表做完，海外市场早就变了盘。这不是个例——在天然气这个"全球定价、区域传导、政策强干预"的市场里，人工研判的速度已经跟不上价格波动的速度。IEA在近年的《天然气市场报告》中反复提示，2025年后全球LNG将进入新一轮产能集中投产期，供需格局的重构会让价格信号更加复杂。这篇文章想聊的就是：天然气价格预测智能体如何构建，以及它如何把全球供应、进口、需求与供需缺口这四本账真正算明白。

一、天然气价格为什么越来越"算不准"？

做价格预测的人常说一句话：不是模型不行，是变量太多。天然气的特殊性在于，它既是全球化的大宗商品，又是被管网、长协、门站价牢牢约束的区域性商品。这种"半全球化"属性，让传统预测方法处处受制。

1.1 传统预测方法的三重困境

• 数据源极度碎片化：北美看EIA库存，欧洲看GSIE储气库和TTF，亚太看JKM和国内接收站现货招标，国内还要看海关进口数据、上海石油天然气交易中心的竞价、各接收站的挂牌价。几十个来源、口径不一、单位不同（美元/百万英热与元/立方米之间还要来回换算），人工汇总本身就是一项重体力活。
• 驱动因子高度耦合：气温决定采暖需求，需求决定库存去化，库存决定价格弹性，价格又反过来影响气电与煤电的替代关系；再加上船期延误、计划外检修、地缘事件、汇率波动，变量之间相互咬合，靠单点经验很难判断因果。
• 传导链条长且有时滞：从美国自由港的液化装置，到太平洋上的LNG船，到国内接收站的窗口期，再到城市燃气的终端售价，中间隔着数周甚至数月的时间差，以及不可忽视的政策干预。

1.2 智能体带来的真正变化

智能体的价值不是"比人更会算"，而是把分析师从数据搬运工的角色里解放出来，让他们专注于判断。它解决三件事：自动找数据（多源巡检与抽取）、自动算平衡（供需缺口测算与情景推演）、自动出结论（日报、预警、问答）。换句话说，从"人找数据"变成"数据找人"，从"静态报表"变成"动态推演"。

二、拆解支撑价格预测的四根数据支柱

任何价格预测智能体的地基，都是一个完整的供需平衡表。建表之前，先把四类数据想清楚。

2.1 全球供应：看产能、看检修、看库存

供应端决定了市场的长期宽松或紧张格局，核心是三组信号：

• 液化产能与投产节奏：美国、卡塔尔、澳大利亚、俄罗斯、挪威等主要出口国的液化项目投产时间表，直接决定未来2-3年的边际供给增量，这是判断长期价格中枢的基础。
• 计划外停产与检修公告：一次为期两周的液化线检修，就可能让JKM现货价格短期跳涨。这类信息往往藏在英文公告、行业快讯里，需要非结构化文本抽取能力。
• 库存水位：欧洲储气库库存率、美国地下储气库库存偏离五年均值的情况，是短期价格弹性最灵敏的先行指标。

2.2 进口：看量、看价、看结构

对国内企业而言，进口环节是价格预测与经营决策的连接点：

• 长协与现货的配比：长协占比高的企业，现货价格波动只影响边际成本；现货敞口大的企业，价格预测的精度直接关系到盈亏。
• 接收站利用率与窗口期：接收站的排期紧张程度，会反向影响现货采购的可得性与溢价。
• 到岸价与进口盈亏：进口成本与国内销售价格之间的倒挂情况，是判断后续进口意愿强弱的关键，也是预测国内LNG出厂价的重要输入。
• 管道气进口：中亚、中俄东线等管道气的日输量变化，对国内整体供需平衡影响显著。

2.3 需求：气温是最大的自变量

在天然气的需求侧，几乎没有哪个变量比气温更重要。

• 采暖与制冷度日（HDD/CDD）：北方一场寒潮、南方一轮持续高温，都会在几天内改变区域用气曲线。
• 工业与化工用气：陶瓷、玻璃、化肥、甲醇等行业的开工率与用气强度，与经济景气度高度相关。
• 气电调峰与替代经济性：当气价相对煤价、油价、LPG出现明显比价优势或劣势时，会触发燃料替代，这部分"可切换需求"往往是预测误差的主要来源。

2.4 供需缺口：平衡表才是最终答案

把上面三本账合起来，就是一张供需平衡表：产量 + 进口 − 消费 − 库存变化 = 缺口。缺口决定价格的方向，库存决定价格的弹性，而情景推演决定决策的余地。

• 建立基准情景（正常气温、正常检修），再叠加暖冬/冷冬、检修延长、地缘扰动等压力情景。
• 输出不应是一个点价格，而应是一个区间和概率，以及"如果出现X，价格可能到Y"的推演路径。

三、天然气价格预测智能体的五步构建路径

理解了数据支柱，构建路径就清晰了。以下是可落地的五个步骤，按投入产出比排序。

3.1 第一步：先定义预测对象，别急着上模型

这一步最容易被跳过，却是返工率最高的环节。需要明确四件事：

• 预测什么价：JKM、TTF、亨利港，还是国内LNG出厂价、接收站挂牌价？不同价格的市场化程度、驱动因子差异极大。
• 预测颗粒度：日频、周频还是月频；全国还是分区域、分接收站。
• 预测期限：1-4周的短期交易辅助，还是季度、年度的预算与长协谈判支撑。
• 业务用途：用于现货采购时点选择、销售定价调整，还是风险敞口管理？用途决定了精度要求和更新频率。

3.2 第二步：搭建数据底座，这是六成工作量所在

业内共识是，数据工程通常占据整个项目60%以上的投入。

• 多源接入：行情网站、交易中心、海关、气象、船期、咨询机构报告，结构化接口与非结构化网页并存。
• 非结构化抽取：检修公告、政策文件、船期表、机构研报，用大模型做要素抽取与摘要，把"文字"变成"字段"。
• 口径治理：统一单位（美元/百万英热、元/立方米、元/吨）、统一时区、统一统计边界，否则后期算出来的缺口一定是错的。

实在Agent在这类"多源数据巡检与汇总"任务上有成熟积累——类似制造业采购部门每日从多个行情网站、咨询平台、小程序抓取原材料当日价格并自动汇总成表的做法，效率提升可以达到一倍以上。天然气场景的复杂度更高，但底层逻辑一致。

3.3 第三步：构建指标体系与平衡表模型

数据本身不是信号，加工后才是。

• 派生指标：库存偏离五年均值幅度、气温距平、进口盈亏价差、检修损失量、船期密度、运费指数。
• 平衡表：按区域、按月滚动更新，把供给、需求、库存三张子表串起来自动计算缺口。
• 特征工程：把上述指标与历史价格做相关性检验，筛出真正有解释力的变量，而不是把所有数据一股脑丢进模型。

3.4 第四步：模型组合 + 大模型解读，各司其职

一个常见的误区是"让大模型直接猜价格"。更稳妥的架构是分层：

• 数值预测层：时序模型与机器学习模型负责给出基准价格区间与方向概率，基本面平衡表提供经济含义上的约束。
• 理解与编排层：大模型负责从海量文本中抽取事件、串联因果逻辑、生成自然语言解读，并调度各类工具完成计算与查询。
• 问答与交互层：业务人员可以直接问"如果12月欧洲气温偏低1.5度，国内LNG现货价格可能怎么走"，智能体调用平衡表与情景模型给出推演。

3.5 第五步：智能体编排与闭环校准

单次预测没有意义，持续运转才有价值。

• 定时任务：每日早间自动生成价格日报，每周生成平衡表更新与周度研判。
• 事件触发：储气库库存跌破阈值、主力液化线检修公告出现、价格单日异动超过设定幅度时，自动推送预警。
• 人工复核：分析师的修正意见要能回流到知识库，形成"模型输出—人工校正—规则沉淀"的闭环。
• 权限与审计：谁看了什么数据、谁改了哪条判断，都要留痕，这在能源企业里是硬要求。

四、实在Agent在天然气价格预测场景中的落点

把一个价格预测智能体拆开看，真正消耗人力的往往不是建模，而是建模之外的"杂活"。这正是实在Agent可以发挥作用的地方。

4.1 数据采集与分发的自动化

天然气管网调度场景中，有一类高频但低价值的工作：每日计量数据处理、每日管输计划变更的填报与同步、咨询机构数据与信息的定时发送。这些任务规则明确、重复度高、对时效敏感，非常适合交给智能体执行。实在Agent可以按预设时间自动登录系统、抓取数据、填写表单、汇总分发，把分析师的时间让给真正的判断工作。

4.2 报告生成与推送的自动化

当平衡表模型算完缺口，智能体可以自动调用模板生成日报：昨日关键价格变动、库存去化速度、进口盈亏状态、本周情景推演与风险提示，并按角色分发给采购、销售、风控不同岗位。业务人员不需要打开任何系统，就能在手机端收到结构化结论。

4.3 与业务系统的联动

价格预测的价值最终要落到经营动作上：现货采购时点、接收站窗口期申请、长协履约节奏、终端销售价格调整。通过实在Agent的流程编排能力，可以把"预测结论"与"业务系统的执行动作"连接起来，例如当进口盈亏由负转正时，自动生成采购建议工单推送给相关部门复核。

五、落地过程中最容易踩的三个坑

• 坑一：一开始就追求全自动预测。更稳妥的路径是先用智能体把"数据+日报"做到极致，让团队每天省下两小时，再逐步引入预测与情景推演。信任是靠准确的数据积累出来的。
• 坑二：忽视口径治理。同一个"库存"，有的是商品库存、有的是储气库库存、有的是在途量；同一个"进口量"，有的是报关口径、有的是到港口径。口径不统一，模型再好也是错的。
• 坑三：没有效果评估机制。建议从四个指标衡量：预测误差（MAPE）、方向准确率、预警提前量、人工工时节省。每季度复盘一次，避免模型在悄无声息中漂移。

六、结语

天然气价格预测从来不是一个纯粹的建模问题，而是一个"数据获取—平衡表构建—情景推演—业务落地"的系统工程。全球供应、进口、需求与供需缺口这四本账，人算得慢，机器算得快，但最终拍板的仍然是人。构建天然气价格预测智能体的正确姿势，是让智能体承担数据搬运、指标计算、报告生成这些确定性工作，让分析师专注于对异常信号的解释与判断。随着全球LNG贸易格局持续重构，谁先把这套"智能体+平衡表"的能力沉淀下来，谁就能在下一轮价格波动中多一分从容。

常见问题解答

1. 构建一个天然气价格预测智能体大概需要多长时间？

取决于预测颗粒度和数据基础。如果只是做到"多源数据自动汇总+日报生成"，通常4-8周可以跑通；如果需要完整的平衡表模型、情景推演与业务系统联动，建议按3-6个月规划，并分阶段验收。关键是第一期就要交付可用成果，而不是追求一次性大而全。

2. 需要哪些数据源？企业内部数据不多能做吗？

外部数据是主体：主要价格指数、储气库库存、气温预报、船期、检修与政策公告、海关进口数据等，这些大多可以公开获取或通过咨询机构订阅。企业内部数据主要解决"个性化"问题，比如自身的进口成本结构、长协条款、区域销量曲线，有没有内部数据，决定的是预测能否直接支撑经营决策，而不是能否做预测。

3. 大模型真能预测价格吗？

严格说，大模型擅长的是理解与编排，不是数值外推。可靠的架构是"数值模型负责算，大模型负责读与讲"：时序模型和平衡表给出价格区间与方向概率，大模型负责从海量文本中抽取事件、串联逻辑、生成可读的研判结论。两者分工，而不是替代。

4. 和直接买咨询机构的报告相比，自建智能体有什么不同？

咨询报告给的是行业共识判断，滞后于市场且颗粒度较粗；自建智能体给的是贴合自身业务口径的、日频更新的、可回溯的量化结论，并且能直接嵌入采购与销售流程。两者并不冲突——很多企业是"订阅报告做基准，自建智能体做日常"。

5. 落地时应该由哪个部门主导？

建议由业务部门（采购或市场研究）提需求、IT部门做集成、数据团队做治理，三方联合推进。纯IT主导容易脱离业务场景，纯业务主导又容易低估数据工程的复杂度。比较务实的做法是先选一个明确的小场景跑通，形成样板后再横向复制。