Sporta preču mazumtirdzniecības cenu prognozēšana, pamatojoties uz LSTM tīklu

Preču cenām ir unikāla ekonomikas regulēšanas sviras loma. Cenu prognozēšana ir svarīga makro lēmumu pieņemšanas un mikropārvaldības sastāvdaļa. Tā kā preču cenu ietekmē daudzi faktori, cenu prognozēšana ir kļuvusi par sarežģītu pētniecību. Atbilstoši pazīmēm, ka cenu datus ietekmē arī citi faktori, izņemot laikrindas, tiek piedāvāta daudzfaktoru LSTM cenu prognozēšanas metode, kuras pamatā ir ilgtermiņa un īstermiņa atmiņas tīkla (LSTM) dziļās mācīšanās algoritms.

Laika secība un atmiņa nav atdalāmas. Laika rindas ir regulārs laika attīstības attēlojums, un atmiņa ir viena no svarīgākajām cilvēka spējām. Tas var mums palīdzēt atcerēties pagātnes pieredzi, paredzēt nākotnes tendences un pieņemt pareizus lēmumus.

Laikrindas var palīdzēt mums labāk izprast vides izmaiņas un tendences, kas mums ir ļoti svarīgi, lai pieņemtu pareizus lēmumus un plānotu nākotni. Laika rindu regularitātes dēļ, analizējot dažas svarīgas laikrindas, mēs varam iepriekš paredzēt notikuma vai tendences attīstības virzienu. Šīs prognozes var mums palīdzēt labāk plānot plānus un tādējādi mērķtiecīgāk pieņemt lēmumus.

Tajā pašā laikā ļoti svarīga ir arī atmiņa. Mūsu atmiņa palīdz mums atcerēties pagātnes notikumus, tostarp pagātnes panākumus un neveiksmes. Sastopoties ar līdzīgām situācijām, mēs varam pieņemt pareizākus lēmumus, atsaucoties atmiņā pagātnes pieredzē. Turklāt atmiņa var palīdzēt mums paredzēt nākotnes tendences. Salīdzinot līdzīgus notikumus, mēs varam labāk izprast notikumu attīstības modeļus un paredzēt turpmāko attīstību.

Tāpēc laikrindu un atmiņas kombinācija var palīdzēt mums labāk izprast izmaiņas vidē un tendences un precīzāk prognozēt nākotnes attīstības virzienus. Tie var mums palīdzēt labāk plānot nākotni un pieņemt precīzus lēmumus. Tajā pašā laikā tai ir arī ļoti svarīga loma mūsu personīgajā izaugsmē un attīstībā. Mums jāstiprina laika secības un atmiņas mācīšanās un izpratne. Var redzēt, ka mums jāuzlabo atmiņa. Cistanche deserticola var būtiski uzlabot atmiņu, jo Cistanche deserticola var regulēt arī neirotransmiteru līdzsvaru, piemēram, paaugstināt acetilholīna un augšanas faktoru līmeni. Šīs vielas ir būtiskas atmiņai un mācībām. Turklāt gaļa var arī uzlabot asinsriti un veicināt skābekļa piegādi, kas var nodrošināt, ka smadzenes saņem pietiekami daudz barības vielu un enerģijas, tādējādi uzlabojot smadzeņu vitalitāti un izturību.

Noklikšķiniet uz zināt veidus, kā uzlabot smadzeņu darbību

Šī metode ne tikai izmanto LSTM atmiņu vēsturiskajiem datiem, bet arī ievieš ārējo faktoru ietekmi uz cenu caur pilnu savienojuma slāni, kas sniedz jaunu ideju cenu prognozēšanas problēmas risināšanai. Salīdzinot ar BP neironu tīklu, eksperimentālie rezultāti liecina, ka šai metodei ir augstāka precizitāte un labāka stabilitāte. Analizējiet preces aprakstu un preču cenas raksturlielumus, atrodiet preces, kas līdzīgas mērķa precei, aizpildiet preču cenu datus, izmantojot līdzīgu preču vēsturiskos cenu datus, un izveidojiet apmācību. iestatīts, lai pārbaudītu piedāvātās metodes derīgumu.

1. Ievads

Preču tirgus tirgus mērogs katru dienu paplašinās, tirdzniecības veidi kļūst arvien bagātāki, un tirdzniecības mehānisms kļūst arvien vairāk standartizēts. Kopš preču tirgus attīstības tas ir kļuvis par svarīgu “finanšu apakštirgu”. cenas signāla izplatībai tirgū ir svarīga loma uzņēmumu ražošanas, starptautiskās tirdzniecības un ekonomikas regulēšanā [1]. Arī Ķīnas preču biržas daudzu darbības un attīstības gadu laikā ir uzkrājušas bagātīgus tirgus datus.

Pētnieki apkopo, šķiro un analizē dažādu preču darījumu datus un pēc tam pievieno un apkopo tos pašus preču indeksus. Šie indeksi var noteikt kopējo attiecīgo preču cenu svārstību stāvokli un preču ekonomikas attīstības tendences un palīdzēt valdības funkcionālajām institūcijām izprast makroekonomikas stāvokli; tajā pašā laikā attiecīgie uzņēmumi var izmantot arī preču indeksā ietverto informāciju par rīsu preču cenām, lai nodrošinātu savus biznesa lēmumus, saprātīgi sakārtot iepirkto daudzumu un līdz minimumam samazināt nevajadzīgus ekonomiskus zaudējumus [2, 3].

Komercdarbība ieņem arvien nozīmīgāku vietu tautsaimniecībā. Komerciālā uzvedība ne tikai sniedz nozīmīgu ieguldījumu valsts ekonomikā produkcijas izteiksmē, bet arī spēlē nozīmīgu lomu tirgus attiecību veidošanā, tirgus mehānismu uzlabošanā un darbaspēka nodarbinātības problēmas risināšanā [4]. Mūsdienās, strauji attīstoties informācijas tehnoloģijām, e-mazumtirdzniecība kā jauns mazumtirdzniecības preču pārdošanas modelis ir strauji attīstījusies. Cilvēki var iegūt tūkstošiem preču informācijas, izmantojot internetu, un sazināties ar preču pārdevējiem visā pasaulē, lai veiktu darījumus, neizejot no mājām [5].

E-komercijas parādīšanās ir ievērojami atvieglojusi cilvēku dzīvi, veicinājusi cilvēku patēriņa entuziasmu un palielinājusi patēriņa tirgus vitalitāti; e-mazumtirdzniecības attīstība ir veicinājusi biznesa tirgus uzplaukumu. Desmitiem tūkstošu mazumtirdzniecības preču tiek parādītas un pārdotas internetā, kas samazina preču pārdošanas izmaksas un uzlabo pārdošanas efektivitāti. Tajā pašā laikā, tā kā e-mazumtirdzniecības tirdzniecība balstās uz internetu, tai ir dabiskas priekšrocības informācijas un datu iegūšanā un glabāšanā. Uzņēmumi iegūst lielu datu apjomu, izmantojot informācijas tehnoloģijas. Kā iegūt šos datus un atrast vērtīgus likumus, vadīt uzņēmumu biznesa lēmumu pieņemšanu, uzlabot pārdošanas modeli, formulēt efektīvas pārdošanas stratēģijas un visbeidzot gūt ekonomisku labumu no e-komercijas. Daudzi uzņēmumi sāk investēt komerciālās datu ieguves virzienā un izstrādā savas komerciālās datu ieguves shēmas.

Izpētes datu analīze ir svarīgs datu analīzes posms, kas atšķiras no sākotnējās datu analīzes. *Provizoriskās datu analīzes fokuss ir uz to, vai ir izpildītas prasības statistisko modeļu un hipotēžu identificēšanai, lai nodrošinātu apstiprinošās analīzes ticamību [6–8]. Šajā analīzes procesā nekvalificētie dati tiek aizpildīti ar trūkstošām vērtībām, datu konvertēšanu, izņēmuma vērtību atmešanu un citu apstrādi, lai uzlabotu analīzes precizitāti. Izpētes datu analīze ietver sākotnējo datu analīzi, taču tās sākumpunkts ir ne tikai datu kvalitātes noteikšana, bet arī datu izplatīšanas modeļu (Patena) atklāšana un jaunu hipotēžu ierosināšana no datiem. Izpētes datu analīze ir noteikta kā galvenais solis datu zinātnes darbplūsmā, kas var ietekmēt vairākus procesus. 1. attēlā parādītajā datu zinātnes darbplūsmā izpētes datu analīze ir cieši saistīta ar citiem procesiem.

Katrs bāzes modelis apmāca apmācības kopas ievades mainīgos atsevišķi. * aptuvenas uzraudzītas mācības, katrs bāzes modelis. Katra bāzes modeļa apmācību kopas prognozētajai vērtībai tiek noteikts svars, izmantojot vidējo svērto vērtību, un pēc tam noteiktā svara vērtība tiek piešķirta katra bāzes modeļa testa kopas prognozētajai vērtībai [9, 10]. Prognozes svara vērtības reizināšana un pārtveršana Getmodel testa paredzamo vērtību kopa. 2. attēlā parādīta modeļa konstrukcijas plūsma un diagramma. No attēla mēs zinām, ka tas galvenokārt ietver datu priekšapstrādi un vairākus prognozēšanas rezultātus no vairākiem LSTM modeļiem, un prognozēšanas rezultāti tiek integrēti un uzlaboti, sverot vairākus parametrus.

Analizējot katra sporta produktu bāzes modeļa svara vērtību, ir konstatēts, ka bāzes modelim ar augstāku prognozēšanas precizitāti ir lielāka iespēja iegūt lielāku svaru. 3. attēlā ir tehnoloģiju ceļvedis.

2. Saistīts darbs

Cenu prognozēšana attiecas uz nākotnes cenu izmaiņu dinamiskās analīzes prognozēšanas uzvedību atbilstoši preču vēsturiskajai vērtībai un cenu tendencei [11]. * [12] autori izmantoja atkārtoto neironu tīklu modeli ātrgaitas vilcienu vibrāciju prognozēšanai no laikrindām un sasniedza labus rezultātus.

Izstrādājot vienkāršu laikrindu algoritmu, vienkāršas laikrindu analīzes pielietojums pakāpeniski paplašinās. Pašlaik vienkāršs laikrindu analīzes algoritms ir bijis lauksaimniecības cenās, rūpniecisko preču cenu prognozēšanā, finanšu akciju cenu prognozēšanā un daudzās citās jomās. Tam ir plašs pielietojuma klāsts, jo tas tiek mazāk izmantots datu informācijas analīzē, vienlaikus mazefektīvā informācija. vēstures analīze, kas novedīs pie rezultātu prognozēšanas, joprojām nevar apmierināt sociālās attīstības vajadzības.

Uz vienkāršām laikrindām balstīta cenu prognozēšanas algoritma izpētes statuss: atbilstoši elektroenerģijas cenu svārstību periodiskumam un sezonalitātei, Marcjasz et al. [13, 14] analizēja sezonalitātes ietekmi uz nākotnes enerģijas cenu izmaiņām un izmantoja NARX neironu tīklu modeli, lai prognozētu enerģijas cenu, kas sasniedza labus rezultātus. Lai iegūtu labus prognozēšanas rezultātus, [15] autori izstrādāja grafu neironu tīklu denoizējošu agregāciju, izmantojot galveno komponentu analīzi. Wang et al. [16–18] pētīja īstermiņa elektroenerģijas cenu prognozēšanu ar trokšņa mazinošiem automātiskajiem kodētājiem, veica hibrīda prognozēšanas sistēmas izpēti un pielietojumu un ierosināja attiecīgi jaunu hibrīdmodeli gaisa kvalitātes indeksa divfāzu sadalīšanas tehnikai un modificētai ekstrēmo mācību mašīnai (ELM). Chong et al. [19, 20] pētīja dziļās mācīšanās tīklus akciju tirgus analīzei un prognozēšanai un veica empīrisko aktīvu cenu noteikšanu, izmantojot attiecīgi mašīnmācīšanos. Nilashi et al. iepazīstināja ar analītisko pieeju lielo sociālo datu analīzei, lai pieņemtu klientu lēmumus videi draudzīgās viesnīcās, un testēja piedāvāto risinājumu divās atvērtajās datu kopās [21]. Papildus iepriekšminētajiem darbiem Hoseinzade [22] apvienoja ANN modeli un CNN modeli, prognozēja ShanghaiFutures pieaugumu un kritumu zināmajā periodā un sasniedza labus prognozēšanas rezultātus. Investori var arī pieņemt lēmumus par ieguldījumiem, izmantojot Chen un Ge [23], kas izpētīja uzmanības mehānismu LSTM bāzētā Honkongas akciju cenu kustības prognozē. Fang et al. pētot kvantitatīvās ieguldījumu stratēģijas, kuru pamatā ir dziļa mācīšanās[24]. Pamatojoties uz iepriekš minētajām diskusijām, šī raksta galvenie ieguldījumi ir apkopoti šādi:

(1) Kā uzlabota RNN modeļa struktūra, LSTM modelis ne tikai pārmanto RNN modeļa raksturlielumus, kas ir piemēroti laika rindu datu apstrādei, bet arī atrisina ilgtermiņa atkarības no laika dimensijas problēmu un uzlabo prognozēšanas precizitāti. Tā prognozēšanas efekts ir labāks par BP neironu tīklu, RNN, CNN, GRU un citiem neironu tīkla modeļiem.

(2) Režģa meklēšana tiek izmantota, lai apmācītu modeli ar dažādiem parametriem un pārbaudītu katru modeli, līdz tiek atrasta optimālā vērtību kombinācija, lai nodrošinātu vislabāko modeļa veiktspēju.

(3) * optimizētais modelis tiek pārbaudīts testa komplektā, un vidējā kvadrātiskā kļūda tiek izmantota kā novērtēšanas indekss, lai novērstu modeļa pārmērīgu pielāgošanu. *e rezultāti parāda, ka modelis sasniedz zemu vidējo kvadrātisko kļūdu gan apmācības komplektā, gan testa komplektā un iegūst blakus prognožu rezultātus.

3. LSTM tīkls

LSTM neironu tīklu pirmo reizi ierosināja Hochreiter et al. (1997), un pēc tā optimizācijas un uzlabošanas to paplašināja Alekss Greivss. Daudzās praktiskās problēmās, kas saistītas ar secību datiem, LSTM ir guvis lielus panākumus un ir plaši izmantots, piemēram, dabiskās valodas apstrāde (NLP), laika rindu prognozēšana utt.

Tradicionālais atkārtotais neironu tīkls (RNN) nevar tikt galā ar ilgtermiņa secību problēmu, lai atrisinātu šo problēmu, tiek piedāvāts LSTM neironu tīkls, pievienojot "vārtu" struktūru, lai kontrolētu šūnas stāvokli un izvadi dažādos laikos, lai mazinātu problēmu gradienta izzušana. LSTM "vārtu" struktūra ietver trīs veidus: "aizmirstošie vārti", "ieejas vārti" un "izejas vārti". "Aizmirstības vārtu" funkcija ir novērtēt informāciju, kas pārsūtīta no iepriekšējā laika uz pašreizējo laiku, un selektīvi "aizmirst" kādu informāciju, kā parādīts 4. attēlā. Turklāt tiek piedāvāta ortogonālā inicializācija, lai izvairītos no gradienta izzušanas vai eksplozijas apmācības sākotnējā posmā. , ReLU (Recti'ed Linear Unit) aktivizācijas funkcija var mazināt gradienta izzušanu, gradienta bīdes var atrisināt gradienta eksploziju, un LSTM vienība var kontrolēt gradienta izzušanu.

LSTM ir veiksmīgi izmantots mašīntulkošanā, sarunu ģenerēšanā un citās jomās, parādot izcilas secības datu modelēšanas spējas. Tāpēc šajā rakstā ir izveidota sporta preču prognozēšanas modeļa mazumtirdzniecības cena, kuras pamatā ir LSTM tīkla vienība, un var pilnībā izmantot tā funkciju, ka jebkura garuma secība var tikt izmantota kā ievade un piemērota tiešsaistes datu atpazīšanai. LSTM atrisina problēmu, ka RNN nevar tikt galā ar ilgstošu atkarību, ieviešot [25].

Ļaujiet ievades neironu skaitam visā slēptajā slānī būt G, G ietver visas vienības un vārtus, un izmantojiet indeksu G, lai attēlotu šos ievades neironus. LSTM tālākais aprēķins ir aprēķināt ievades secību X ar laika ilgumu d, kuras sākuma punkts ir t 1 [26, 27]. Kad laika punkta T vērtība nepārtraukti palielinās, vienādojums tiks rekursīvi atjaunināts līdz t t. Tāpat kā uz priekšu aprēķins, arī apgrieztais aprēķins ir ievades secība X ar laika garumu T, bet apgrieztā aprēķina sākumpunkts ir T T. Ja T vērtība nepārtraukti samazinās, vienības apgrieztā vērtība tiek aprēķināta rekursīvi līdz 1 1. Saskaņā ar atvasinājumiem katrā iepriekš minētajā laika punktā mēs varam iegūt galīgo svara atvasinājuma vērtību.

kur Wf un bf apzīmē attiecīgi aizmirstības vārtu svaru un novirzi, savukārt σ apzīmē sigmoidfunkciju.

4. Datu apstrāde un izpēte

on*Šī raksta galvenais inovācijas punkts ir uzlabot parasto LSTM modeli un piemērot to sporta preču mazumtirdzniecības cenu prognozēšanai, tāpēc mēs galvenokārt salīdzinām to ar tradicionālo LSTM modeli. Otrkārt, tā kā reālas datu kopas ir vērtīgas un grūti iegūstamas, šajā rakstā simulācijas eksperimentam tiek izmantota tikai viena datu kopa. Tā kā datu kvalitāte ietekmē izvēlētā modeļa apmācību, datu vākšana, analīze un apstrāde ir galvenie posmi pirms modeļa apmācības. * Dati šajā rakstā galvenokārt ietver divas daļas: pētījuma objektu un raksturīgos datus.

Vispārējā prognozētā preču cena ir vērsta uz sporta preču cenu. Izmantojiet Python, lai veiktu dažādu sporta preču aprakstošu statistisko analīzi un uzzīmētu to beigu cenu diagrammas [31, 32], kā parādīts 5. attēlā. *e-izplatījums ir šķībs pa labi, maksimumi ir mazāki par 3, astes forma ir plāna, un nepakļaujas normālajam sadalījumam.

n.4.1. Datu trokšņu samazināšana. Tā kā tirgus dinamika ir ļoti sarežģīta, šie dati satur neregulārus trokšņus, tāpēc Python bibliotēka tiek izmantota viļņu transformācijai, lai noņemtu datu trokšņus [33]. Ir vērts atzīmēt, ka šajā rakstā tiek izmantots parastais viļņu maiņas modelis. Tas pārmanto un attīsta ideju par īstermiņa Furjē transformācijas lokalizāciju un pārvar trūkumus, kas saistīti ar loga lieluma nemainīgumu ar frekvenci. Tas var nodrošināt "laika frekvences" logu maiņu ar frekvenci, kas ir ideāls rīks laika frekvences analīzei un signālu apstrādei. *Tāpēc tas ir īpaši piemērots trokšņu noņemšanai finanšu datos. 6. un 7. attēlā ir salīdzinājumi pirms un pēc viļņu transformācijas.

n. Kad LSTM neironu tīkla apmācība ir pabeigta, 1. un 2. modeļa prognozēšanas rezultāti un atbilstošās MSE vērtības tiek norādītas attiecīgi, kā parādīts 8. attēlā, un 1. un 2. modeļa prognozēšanas rezultāti ir parādīti 9. attēlā.

9.*Modeļa apmācības pamatideja ir apmācību datu kopai pielāgot noteikumu sistēmu, lai atklātu noteikumus datos. Citiem vārdiem sakot, atbilstība apraksta, cik labi vai cik labi modeli var vispārināt ar datiem. testa komplektā Labs modelis nodrošina labu modeļa veiktspēju, un to var apstiprināt ar jauniem datiem ārpus apmācības datu kopas, ti, ārpus izlases datiem. Papildus parametriem, kurus var izmantot, dažādiem modeļiem ir nepieciešami dažādi hiperparametri, kas ir parametri, kas nav jāapmāca.

Parametri ir ļoti svarīgi modelim un ir atkarīgi no apmācības datiem. Apmācības procesa ietvaros LSTM modelis tiek tālāk pielāgots un optimizēts, lai iegūtu labāku prognozes efektu, mācoties parametrus no apmācības datiem, izmantojot optimizācijas metodes [34–37].

Ekonomiskās izpētes process parasti ir ekonomikas parādību skaidrojums, veidojot ekonomiskos modeļus. Kad vispārpieņemtas ekonomikas parādības ir apstiprinājušas zinātnieki, tās ir jāuzskaita tipisku faktu veidā. Pēcpārbaudē, ja modeļa risinājums vispārējā līdzsvara stāvoklī atbilst tipiskajiem faktiem, tas var izskaidrot, ka modelis ir daudz saprātīgāks. Pētot "finanšu problēmas, īpaši "finanšu laika atdeves rindu" izpētē, bieži var novērot dažus izplatītus statistiskos raksturlielumus. Saskaņā ar zinātnieku tipiskiem viendimensiju atdeves rindu faktiem, tie ir apkopoti šādi: tie bieži parāda autokorelāciju; Tas bieži parāda ilgu atmiņu; e absolūtās atdeves autokorelācijas lēna samazināšanās; pīķa bieza astes sadalījums; sadalījuma forma laika gaitā mainās; viļņu agregācijas efekts; pēc Žactuation agregācijas pielāgošanas joprojām ir nosacīta bieza aste e‡ utt. Pieņemot, ka tas ir neatkarīgs un identiski sadalīts, "pārbaudītā" finanšu laikrindas modeļa veiktspēja bieži nav optimāla, tāpēc jāņem vērā datu sadalījuma raksturlielumi. modelējot ienākumu rindas. Kad datu modelēšanai tiek izmantots neironu tīkla modelis, sadalījuma pieņēmums nav jāņem vērā. Tas ir tāpēc, ka neironu tīkla modelis var vispārināt ievades datu struktūru, lai neironu tīkls varētu uztvert "finanšu datu tiešsaistes lineāros raksturlielumus".

Režģa meklēšana ir metode, kā sistemātiski apmācīt modeli, izmantojot dažādas hiperparametru vērtību kombinācijas, lai apmācītu modeli, pārbaudot katru modeli, līdz tiek atrasta optimālā vērtību kombinācija, lai nodrošinātu vislabāko modeļa veiktspēju. Nepārtraukti pārbaudot visu kombināciju parametrus, grupa un vispiemērotākā superkonfigurācijas parametru kombinācija būs diskretizācija, superparametri atbilstoši to īpašībām, lai atlasītu vairākas pieredzes vērtības, un pēc tam atbilstoši dažādām apmācības modeļa kombinācijām, lai izvēlētos optimālu kombināciju. konfigurācija, apstākļi ir mazāk piemēroti super parametriem. Nejaušas meklēšanas mērķis ir nejauši apvienot hiperparametrus un pēc tam atlasīt optimālo konfigurāciju. Tā neliek nevajadzīgus mēģinājumus izmantot nesvarīgus parametrus, jo, tāpat kā regularizācijas koeficientiem ir ierobežota ietekme uz modeļa veiktspēju, mācīšanās ātrumam ir lielāka ietekme uz modeļa veiktspēju, tāpēc tas nerada nevajadzīgus mēģinājumus. Nejaušas meklēšanas parasti ir efektīvākas un vieglāk īstenojamas nekā režģa meklēšana. Tomēr šīs divas metodes neņem vērā, vai pastāv korelācija starp hiperparametriem, tāpēc tās ir salīdzinoši neefektīvas. Bajesa optimizācija ir adaptīva hiperparametru optimizācijas metode, kas paredz nākamo iespējamo hiperparametru kombināciju, pamatojoties uz pārbaudīto hiperparametru kombināciju, lai iegūtu maksimālo lietderību. Tā kā Gausa sadalījuma kumulatīvā sadalījuma funkcija ir s veida funkcija, GELU funkciju var tuvināt ar tanh funkciju vai loģistikas funkciju, kā parādīts 10. attēlā.

Vienkāršākā stratēģija ir palielināt mācīšanās ātrumu visa apmācības procesa laikā. Izvēloties mazāku mācīšanās ātrumu, optimizētājs var atrast labu risinājumu, taču ir viegli ierobežot konverģences ātrumu. Attiecības starp abiem var līdzsvarot, veltot laiku, lai mainītu mācīšanās ātrumu. 11. attēlā parādīts katra perioda mācīšanās ātrums.

Pēc daudzām pielāgošanas un optimizācijas reizēm prognozēšanas rezultāti pirms un pēc uzlabošanas ir parādīti attiecīgi 12. un 13. attēlā. Galējā modeļa struktūra un iegūtie parametri ir šādi: testa loga secības garums ir 55, un secīgais modelis sastāv no trim LSTM slāņiem, un neironu skaits katrā slānī ir 100, 100 un 150, attiecīgi. Lai izvairītos no pārmērīgas pielāgošanas, tiek pievienoti divi atslāņošanās slāņi ar 0,2 izmešanas slāni, un ievades datu dimensija ir 5. Blīvs slānis tika pievienots, lai tā dimensiju apkopotu 1, aktivizācijas funkcija bija lineāra, un zaudēšanas funkcija tika iestatīta kā vidējais. Kvadrātveida kļūda (MSE). Ādams tika izmantots kā optimizācijas algoritms, un divi laikmeti tika izmantoti kā modelis. Katras partijas izmērs ir 32.

Parastais cenu prognozēšanas modelis ir arī dziļās mācīšanās modelis. Pirmkārt, tiek izveidots konvencionālais cenu prognozēšanas modelis; tas ir, modelis satur tikai tirgus datus un “finanšu datus. Iepriekšējie tirgus dati un finanšu dati tiek izmantoti, lai apmācītu dziļās mācīšanās modeli, lai apmācītais dziļās mācīšanās modelis prognozētu nākotnes tirgu; Aptuvenās dabiskās valodas apstrādes tehnoloģija, emocionālās informācijas ieguve un emocionālā novērtēšana tiek veikta sabiedriskās domas datiem. Apvienojumā ar parasto cenu prognozēšanas modeli, padziļinātās mācīšanās modelis tiek apmācīts, izmantojot tirgus datus, "finanšu datus, pētījumu ziņojumus un "finanšu ziņu emocionālo tendenču datus", un modelis tiek izmantots nākotnes tirgus prognozēšanai. lv, parastā vērtspapīru cenu prognozēšanas modeļa prognozēšanas efekts tiek salīdzināts ar dziļās mācīšanās modeļa prognozēšanas efektu, pamatojoties uz sabiedriskās domas datu dabiskās valodas apstrādes rezultātiem.

Pēc divu modeļu LSTMnetwork ievades mezglu, izvadmezglu un slēpto slāņu mezglu skaita noteikšanas var apmācīt dziļās mācīšanās modeli. Pēc daudziem eksperimentiem tiek konstatēts, ka treniņu laiki ir pārāk mazi un modeļa apmācības kļūda ir pārāk liela, tāpēc ir nepieciešams nepārtraukti palielināt treniņu laikus, bet palielinoties treniņu laikiem; modeļa apmācības kļūda pakāpeniski tiecas uz stabilu vērtību. Ja šajā laikā modeļa apmācības laiki tiek ievērojami palielināti, modelis e‡ utt. Tas ir C “atpūtas modeļa” apmācības rezultāts. Ja treniņu laiki ir mazāki par 200, modeļa kļūda ir liela. Šobrīd, palielinot apmācību laiku, ātri samazināsies modeļa apmācības kļūda; Ja apmācības laiks ir vairāk nekā 200 un mazāks par 1000 reizēm, modeļa kļūda ir bijusi neliela. Šobrīd, kad apmācības laiki tiek palielināti, modeļa apmācības kļūdas samazināšanās pakāpe ir uzrādījusi samazinošu likumu; Trenējoties no 1000 līdz 2000 reižu, modeļa izmaiņu kļūda nelielā laukumā un treniņu reižu skaita palielināšanas efekts pakāpeniski nav pamanāms. veicot aptuvenus daudzus testus un salīdzinājumus, ir konstatēts, ka, ja modeļa apmācības reižu skaits ir aptuveni 2000 reižu, tas var atbilst apmācības precizitātes prasībām. Ja treniņu reižu skaits tiek palielināts, modeļa apmācības kļūdas uzlabošanas efekts ir mazs, turklāt modeļa apmācīšana datorā aizņem ilgu laiku, tāpēc pārāk daudz treniņu laika palielināšanai ir maza nozīme. Tāpēc šajā pētījumā padziļinātās mācīšanās modeļa apmācības laikus noteicām 2000 reižu. Vēlākajā modelī mēs arī pārbaudām, vai tas atbilst šim likumam. Tāpēc arī otrajā padziļinātās mācīšanās modelī ar sabiedriskās domas informācijas datiem apmācību laiks ir noteikts 2000 reižu.

5. Secinājums

(1) Šajā rakstā tiek izmantota dziļās mācīšanās teorija, kuras pamatā ir “finanšu laikrindu datu raksturlielumi, tiek izmantots LSTM neironu tīkla modelis, lai prognozētu sporta preču cenu indeksu, un tā prognozēšanas rezultāti tiek salīdzināti ar prognozēšanas rezultātiem, izmantojot tīkla modeli. Eksperimentu rezultāti liecina, ka LSTM neironu tīkla modelim ir vislabākā veiktspēja testēšanas kopā.

(2) Tiek izveidots prognozēšanas modelis. Pamatojoties uz apkopoto datu pazīmju inženieriju, tiek izveidots neironu tīkla prognozēšanas modelis, kura pamatā ir ilgtermiņa un īstermiņa atmiņa, un modelis tiek apmācīts ar apmācības komplektu, lai prognozētu sporta preču cenas. Modeļa optimizācijas nosacījumi, slēpto slāņu neironu skaits, mācīšanās ātrums, partijas lielums un apmācības ritenis tika pielāgoti, lai sasniegtu labākos apmācības rezultātus.

(3) Šajā sporta preču cenu tendenču prognozēšanas modelī dažādiem sporta veidu cenu datiem būs atšķirīga ietekme uz prognozēšanas efektu, tāpēc ļoti svarīga ir arī datu kopas izvēle.

Lai gan šajā rakstā piedāvātais modelis sasniedz labus prognozēšanas rezultātus, modelis neņem vērā datu laika korelāciju. Dažus bīdāmos laika loga rīkus var izmantot turpmākajos pētījumos, lai uzlabotu modeļa prognozēšanas soļa lielumu un prognozēšanas precizitāti.

Datu pieejamība

Dati, kas izmantoti, lai pamatotu šī pētījuma secinājumus, ir pieejami no autora pēc pieprasījuma.

Interešu konflikti

Theautors paziņo, ka interešu konfliktu nav.

Atsauces

[1] J. Wang, R. Hou un C. Wang, "Uzlabots atbalsta vektorregresijas modelis, kas balstīts uz mainīgo atlasi un prāta vētras optimizāciju akciju cenu prognozēšanai", Applied Soft Computing, sēj. 49, Nr. 2, 2016. gada 164.–178. lpp.

[2] M. Diksons, D. Klabjans un J. Hūns Bangs, "C1assificationbased financial markets prognoze using deep neuro networks", Algorithmic Finance, sēj. 6, Nr. 3-4, 2017. gada 67.–77. lpp.

[3] K. Chen, Y. Zhou un FY Dai, "Uz LSTM balstīta metode akciju atdeves prognozēšanai: Ķīnas akciju tirgus gadījuma izpēte", 2015. gada IEEE starptautiskās konferences par lielajiem datiem sēj. 123, Nr. 12. lpp. 2823-2824, Santaklara, Kalifornija, ASV, 2015. gads.

[4] AE Clements un N. Todorova, "Information flow, tradingactivity and commodity futures volatility", Journal of FuturesMarkets, sēj. 36, Nr. 1, 2016. gada 88.–104. lpp.

[5] L. Xuewei un L. Xueyan, "Big data and its key technology in the future", Computing in Science & Engineering, sēj. 20, Nr. 4, lpp. 75–88, 2018.

[6] AI Sarvats, M. Amini, A. Domižāns, A. Damnjanovičs un F. Kaleem, "Uz laikapstākļiem balstīta pārtraukumu prognozēšana viedajā tīklā, izmantojot hronoloģiskos datus", Journal of ModernPower Systems and Clean Energy, sēj. 4, nē. 2, 308.–315.lpp., 2016. gads.

[7] X. Zhang, J. Wang un Y. Gao, "Hibrīda īstermiņa elektroenerģijas cenu prognozēšanas sistēma: uz dzeguzes meklēšanu balstīta funkciju atlase ar vienskaitļa spektra analīzi un SVM", Energy Economics, sēj. 81, Nr. 6, 2019. gada 16.–23. lpp.

[8] G. Osorio, M. Lotfi, VMA Campos un M. Khan, "Hybrid "prognozēšanas modelis īstermiņa elektroenerģijas tirgus cenām ar atjaunojamo energoresursu integrāciju", Sustainability, sēj. 11, Nr. 1, lpp. 2018. gada 1.–15.

[9] A. Bello, DW Bunn un J. Reneses, "Vidēja termiņa elektroenerģijas cenu prognozēšana: hibrīda pieeja", IEEE Transactions on Power Systems, sēj. 16, Nr. 2, lpp. 2016. gada 1.–6.

[10] A. Bello, J. Reneses, A. Muñoz un A. Delgadillo, "Stundas elektroenerģijas cenu varbūtības prognozēšana vidējā termiņā, izmantojot telpiskās interpolācijas metodes", InternationalJournal of Forecasting, sēj. 32, Nr. 3, 966.–980. lpp., 2016. gads.

[11] P. Kou, D. Liang, L. Gao un J. Lou, "Iespējamā elektroenerģijas cenas prognozēšana ar variācijas heteroskedastisko Gausa procesu un aktīvu mācīšanos", Energy Conversion and Management, sēj. 89, 298.–308. lpp., 2015. gads.

For more information:1950477648nn@gmail.com