煤炭作为相关企业的核心产品,其价格预测在企业财务核算上占据重要地位,同时会计预测作为企业经济管理的重要手段,其目的是定量或定性地判断、推测和规划企业内部经济活动的发展变化规律,并对其做出评价,以指导和调节经济活动,谋求最佳经济效果,因此,对煤炭价格的研究对相关企业的财务管理具有深远影响。近年来专家学者们对煤炭价格预测的研究大多以回归拟合和计量经济学等传统的价格预测方法为主,虽然有学者将人工智能方法引入价格预测领域,但也是以BP神经网络为基础进行拓展研究,并没有深入研究LSTM模型在煤炭价格预测中的应用。基于LSTM神经网络为基础的煤炭价格预测模型可以很好的拟合我国短期煤炭价格趋势,进而为决策者提供一定的决策依据。为了搭建符合我国煤炭价格数理统计特性的预测模型,本文以秦皇岛动力煤(Q5500)周市场价为研究对象,从以下四个方面深入研究:(1)对我国煤炭价格的影响因素进行深入分析,得出各变量之间相关性较高且不易量化拟合,因此本文选择煤炭价格这一单变量进行模型构建;(2)对煤炭价格的内在数理特性进行研究,得出其具有非线性等特征传统预测模型对其的拟合效果较差,因此本文选择LSTM神经网络模型作为基础模型;(3)对LSTM模型的原理和思想进行深入分析,得出LSTM也会和其他神经网络一样容易陷入局部最优解且收敛速度较慢的问题;(4)对比前人仅从学习率去优化LSTM模型不能完全解决该问题,本文分别从模型输入端和模型优化函数入手进行改进。经实证检验得出:使用Lookahead优化算法对LSTM模型进行优化,在不降低模型性能的前提下,使得模型的收敛速度大幅提高;基于数据输入端的改进,分别使用小波变换和卡尔曼滤波进行拟合,使得预测误差从基础的3.28元/吨分别降为1.55元/吨和3.04元/吨。以上研究表明,改进后的LSTM系列模型的煤炭价格预测方法具有良好的实用性和预测精度,在去除煤炭价格噪音数据的同时,能很好的保留价格数据本身的趋势性和周期性,为研究大数据背景下的煤炭价格预测问题提供了新思路。