Forecasting natural gas prices using a hybrid deep learning model and news

Abstract

The transition to cleaner energy in the European Union prioritizes natural gas, yet the Russo-Ukrainian War caused unpredictable price fluctuations. Our study aimed to enhance predictive models by exploring GDELT data, analyzing pre- and post-war performance, and comparing deep learning models (RNN, LSTM, GRUNN). Incorporating crude oil and average tone data significantly improved predictions. Geopolitical factors necessitate further research to ensure energy security and economic development. Employing CRISP-DM methodology, we established a systematic approach to address these challenges. Our study contributes valuable insights to enhance predictions and adapt models to complex energy markets.

A transição para fontes de energia mais limpas na União Europeia prioriza o gás natural, no entanto, a Guerra Russo-Ucraniana causou flutuações imprevisíveis nos preços. Nosso estudo visou aprimorar modelos preditivos explorando dados do GDELT, analisando o desempenho pré e pós-guerra, e comparando modelos de ”Deep Learning” (RNN, LSTM, GRUNN). A incorporação de dados de petróleo bruto e sentimento médio da notícia melhorou significativamente as previsões. Fatores geopolíticos exigem mais pesquisas para garantir segurança energética e desenvolvimento económico. Empregando a metodologia CRISP-DM, estabelecemos uma abordagem sistemática para enfrentar esses desafios. Nosso estudo contribui com insights valiosos para aprimorar as previsões e adaptar modelos aos complexos mercados de energia.