Ramalan Harga Runcit Barangan Sukan Berdasarkan Rangkaian LSTM

Harga komoditi memainkan peranan unik sebagai tuil untuk mengawal selia ekonomi. Ramalan harga adalah bahagian penting dalam membuat keputusan makro dan pengurusan mikro. Oleh kerana terdapat banyak faktor yang mempengaruhi harga barang, ramalan harga telah menjadi tambahan dalam penyelidikan. Mengikut ciri bahawa data harga juga dipengaruhi oleh faktor lain kecuali siri masa, kaedah ramalan harga LSTM amultifactor dicadangkan berdasarkan algoritma pembelajaran mendalam rangkaian memori jangka panjang dan jangka pendek (LSTM).

Urutan masa dan ingatan tidak dapat dipisahkan. Siri masa adalah perwakilan tetap perkembangan masa, dan ingatan adalah salah satu kebolehan manusia yang paling penting. Ia boleh membantu kita mengingati pengalaman lalu, meramalkan arah aliran masa depan dan membuat keputusan yang betul.

Siri masa boleh membantu kita memahami dengan lebih baik perubahan dan arah aliran persekitaran, yang penting untuk kita membuat keputusan yang betul dan merancang untuk masa hadapan. Disebabkan oleh keteraturan siri masa, apabila kita menganalisis beberapa siri masa yang penting, kita boleh meramalkan arah pembangunan sesuatu peristiwa atau arah aliran terlebih dahulu. Ramalan ini boleh membantu kami merancang rancangan dengan lebih baik dan dengan itu lebih menyasarkan Membuat keputusan.

Pada masa yang sama, ingatan juga sangat penting. Ingatan kita membantu kita mengingati peristiwa lalu, termasuk kejayaan dan kegagalan masa lalu. Apabila menghadapi situasi yang serupa, kita boleh membuat keputusan yang lebih betul dengan mengingati pengalaman lalu. Selain itu, ingatan boleh membantu kita meramalkan arah aliran masa hadapan. Dengan membandingkan peristiwa yang serupa, kita boleh lebih memahami corak pembangunan peristiwa dan meramalkan perkembangan masa hadapan.

Oleh itu, gabungan siri masa dan ingatan boleh membantu kami memahami dengan lebih baik perubahan dalam persekitaran dan arah aliran, serta meramalkan arah pembangunan masa hadapan dengan lebih tepat. Mereka boleh membantu kita merancang dengan lebih baik untuk masa depan dan membuat keputusan yang tepat. Pada masa yang sama, ia juga memainkan peranan yang sangat penting dalam pertumbuhan dan perkembangan peribadi kita. Kita harus mengukuhkan pembelajaran dan pemahaman tentang urutan masa dan ingatan. Dapat dilihat bahawa kita perlu meningkatkan daya ingatan. Cistanche deserticola boleh meningkatkan ingatan dengan ketara, kerana Cistanche deserticola juga boleh mengawal keseimbangan neurotransmitter, seperti meningkatkan tahap asetilkolin dan faktor pertumbuhan. Bahan ini penting untuk ingatan dan pembelajaran. Di samping itu, daging juga boleh meningkatkan aliran darah dan menggalakkan penghantaran oksigen, yang dapat memastikan otak menerima nutrien dan tenaga yang mencukupi, sekali gus meningkatkan daya hidup dan daya tahan otak.

Klik tahu cara untuk meningkatkan fungsi otak

Kaedah ini bukan sahaja menggunakan memori LSTM kepada data sejarah tetapi juga memperkenalkan pengaruh faktor luaran pada harga melalui lapisan sambungan penuh, yang memberikan idea baharu untuk menyelesaikan masalah ramalan harga. Berbanding dengan rangkaian saraf BP, keputusan eksperimen menunjukkan bahawa kaedah ini mempunyai ketepatan yang lebih tinggi dan kestabilan yang lebih baik.Analisis perihalan komoditi dan ciri-ciri harga komoditi, cari komoditi yang serupa dengan komoditi sasaran, lengkapkan data harga komoditi dengan menggunakan data sejarah harga komoditi yang serupa, dan wujudkan latihan ditetapkan untuk mengesahkan kesahihan kaedah yang dicadangkan.

1. Pengenalan

Skala pasaran pasaran komoditi berkembang dari hari ke hari, jenis dagangan menjadi lebih kaya dan lebih kaya, dan mekanisme dagangan menjadi lebih standard. Sejak pembangunan pasaran komoditi, ia telah menjadi 'subpasaran kewangan yang penting. penyebaran isyarat eprice di pasaran memainkan peranan penting dalam membimbing pengeluaran perusahaan, perdagangan antarabangsa, dan mengawal selia ekonomi [1]. Bursa komoditi China juga telah mengumpul data pasaran yang kaya dalam beberapa tahun operasi dan pembangunan.

Penyelidik mengumpul, menyusun dan menganalisis data transaksi pelbagai komoditi dan kemudian menambah dan menyusun indeks komoditi yang sama. indeks ini boleh Žect keadaan keseluruhan turun naik harga komoditi yang berkaitan dan trend pembangunan ekonomi komoditi dan membantu institusi berfungsi kerajaan memahami keadaan ekor ekonomi makro; pada masa yang sama, perusahaan yang berkaitan juga boleh menggunakan maklumat harga komoditi beras yang terkandung dalam indeks komoditi untuk membuat keputusan perniagaan mereka sendiri, mengatur kuantiti yang dibeli secara munasabah dan meminimumkan kerugian ekonomi yang tidak perlu [2, 3].

Aktiviti perdagangan menduduki kedudukan yang semakin penting dalam ekonomi negara. Tingkah laku komersial bukan sahaja memberi sumbangan penting kepada ekonomi negara dari segi pengeluaran tetapi juga memainkan peranan penting dalam membiakkan hubungan pasaran, memperbaiki mekanisme pasaran, dan menyelesaikan masalah guna tenaga buruh [4]. Hari ini, dengan perkembangan teknologi maklumat yang tinggi, e-dagang runcit, sebagai model jualan runcit komoditi baharu, telah berkembang pesat. Orang ramai boleh memperoleh beribu-ribu maklumat komoditi melalui Internet dan menghubungi penjual komoditi di seluruh dunia untuk transaksi tanpa keluar dari rumah mereka [5].

Kemunculan e-dagang telah banyak memudahkan kehidupan orang ramai, menggalakkan keghairahan penggunaan orang ramai, dan meningkatkan daya hidup pasaran pengguna; pembangunan e-dagang runcit telah memacu kemakmuran pasaran perniagaan. Puluhan ribu komoditi runcit dipaparkan dan dijual di Internet, yang mengurangkan kos jualan komoditi dan meningkatkan kecekapan jualan. Pada masa yang sama, kerana perdagangan e-runcit bergantung pada Internet, ia mempunyai kelebihan semula jadi dalam pemerolehan dan penyimpanan maklumat dan data. Perusahaan memperoleh sejumlah besar data melalui teknologi maklumat. Bagaimana untuk melombong data ini dan mencari undang-undang yang berharga, untuk membimbing perniagaan membuat keputusan perusahaan, menambah baik model jualan, merangka strategi jualan yang berkesan, dan akhirnya memperoleh faedah ekonomi daripada e-dagang. Banyak perusahaan mula melabur ke arah perlombongan data komersial dan membangunkan skim perlombongan data komersial mereka.

Analisis data penerokaan adalah peringkat penting dalam analisis data, yang berbeza daripada analisis data awal. *Tumpuan analisis data awal adalah sama ada keperluan untuk mengenal pasti model statistik dan hipotesis dipenuhi untuk memastikan kebolehpercayaan analisis pengesahan [6-8]. Dalam proses analisis ini, data yang tidak layak diisi dengan nilai yang hilang, penukaran data, pembuangan nilai terpencil dan pemprosesan lain untuk meningkatkan ketepatan analisis. Analisis data penerokaan termasuk analisis data awal, tetapi titik permulaannya bukan sahaja untuk menentukan kualiti data tetapi juga untuk menemui corak pengedaran data (Patten) dan mencadangkan hipotesis baharu daripada data tersebut. Analisis data penerokaan dikenal pasti sebagai langkah utama dalam aliran kerja sains data yang boleh menjejaskan pelbagai proses. Dalam aliran kerja sains data yang ditunjukkan dalam Rajah 1, analisis data penerokaan berkait rapat dengan proses lain.

Setiap model asas melatih pembolehubah input set latihan secara berasingan. *pembelajaran diselia kasar, setiap model asas. Berat ditetapkan untuk nilai ramalan set latihan setiap model asas menggunakan purata wajaran, dan kemudian nilai berat yang ditetapkan diberikan kepada nilai ramalan set ujian setiap model asas [9, 10]. Darab dan pintasan nilai berat ramalan Set ujian Getmodel bagi nilai ramalan. Rajah 2 menunjukkan aliran pembinaan dan gambar rajah model. Daripada rajah itu, kita tahu bahawa ia terutamanya termasuk prapemprosesan data, dan hasil ramalan berbilang daripada berbilang model LSTM, dan keputusan ramalan disepadukan dan dipertingkatkan dengan menimbang berbilang parameter.

Dengan menganalisis nilai berat setiap model asas produk sukan, didapati model asas dengan ketepatan ramalan yang lebih tinggi berkemungkinan mendapat lebih berat. Rajah 3 ialah peta jalan teknologi.

2. Kerja Berkaitan

Ramalan harga merujuk kepada gelagat ramalan analisis dinamik perubahan harga masa hadapan mengikut nilai sejarah dan arah aliran harga komoditi [11]. *e pengarang [12] menggunakan model rangkaian saraf berulang untuk ramalan getaran kereta api berkelajuan tinggi dari siri masa dan mencapai keputusan yang baik.

Dengan pembangunan algoritma siri masa yang mudah, aplikasi analisis siri masa yang mudah berkembang secara beransur-ansur. Pada masa ini algoritma analisis siri masa yang mudah telah dalam harga pertanian, ramalan harga komoditi perindustrian, ramalan harga saham kewangan, dan banyak lagi bidang lain Ia mempunyai pelbagai aplikasi, kerana kurang digunakan dalam analisis maklumat data, pada masa yang sama maklumat yang kurang berkesan. analisis kepada sejarah, membawa kepada ramalan keputusan masih tidak dapat memenuhi keperluan pembangunan sosial.

Status penyelidikan bagi algoritma ramalan harga berdasarkan siri masa mudah: mengikut berkala dan bermusim turun naik harga kuasa, Marcjasz et al. [13, 14] menganalisis pengaruh bermusim pada perubahan harga kuasa masa hadapan dan menggunakan model rangkaian saraf NARX untuk meramalkan harga kuasa, yang mencapai keputusan yang baik. Untuk mendapatkan keputusan ramalan yang baik, pengarang [15] mereka bentuk aDenoising Aggregation of Graph network neural dengan menggunakan analisis komponen utama. Wang et al. [16–18]mempelajari ramalan harga elektrik jangka pendek dengan pengekod auto penyah tindanan, melakukan penyelidikan dan aplikasi rangka kerja ramalan hibrid, dan masing-masing mencadangkan model hibrid baru untuk teknik penguraian dua fasa indeks kualiti udara dan mesin pembelajaran melampau (ELM) yang diubah suai. Chong et al. [19, 20] mengkaji rangkaian pembelajaran mendalam untuk analisis dan ramalan pasaran saham dan masing-masing membawa harga aset empirikal melalui pembelajaran mesin. Nilashi et al. membentangkan pendekatan analitikal untuk analisis data sosial yang besar untuk membuat keputusan pelanggan di hotel mesra alam dan menguji penyelesaian yang dicadangkan pada dua set data terbuka [21]. Sebagai tambahan kepada kerja-kerja di atas, Hoseinzade [22] menggabungkan model CNN model ANN, meramalkan kenaikan dan kejatuhan Shanghai Futures dalam tempoh yang diketahui, dan mencapai keputusan ramalan yang baik. Pelabur juga boleh membuat keputusan pelaburan dengan bantuan Chen dan Ge [23] meneroka mekanisme perhatian dalam ramalan pergerakan harga saham Hong Kong yang berpangkalan di LSTM. Fang et al. menyelidik strategi pelaburan kuantitatif berdasarkan pembelajaran mendalam[24]. Berdasarkan perbincangan yang diberikan di atas, sumbangan utama kertas kerja ini diringkaskan seperti berikut:

(1) Sebagai struktur model RNN yang lebih baik, model LSTM bukan sahaja mewarisi ciri model RNN yang sesuai untuk menangani data siri masa tetapi juga menyelesaikan masalah pergantungan jangka panjang pada dimensi masa dan meningkatkan ketepatan ramalan. Kesan ramalannya adalah lebih tinggi daripada rangkaian saraf BP, RNN, CNN, GRU, dan model rangkaian saraf yang lain.

(2) Carian Grid digunakan untuk melatih model dengan parameter yang berbeza dan mengesahkan silang setiap model sehingga gabungan nilai optimum ditemui untuk memastikan prestasi model terbaik.

(3) *Model yang dioptimumkan disahkan pada set ujian, dan ralat kuadrat min digunakan sebagai indeks penilaian untuk mengelakkan model daripada dipasang secara berlebihan. *e keputusan menunjukkan bahawa model mencapai ralat min kuasa dua rendah dalam kedua-dua set latihan dan set ujian, dan memperoleh keputusan ramalan sampingan.

3. Rangkaian LSTM

Rangkaian saraf LSTM pertama kali dicadangkan oleh Hochreiter et al.(1997) dan diperluaskan lagi selepas pengoptimuman dan penambahbaikannya oleh Alex Graves. Dalam banyak masalah praktikal yang berkaitan dengan data jujukan, LSTM telah mencapai kejayaan yang besar dan telah digunakan secara meluas, seperti pemprosesan bahasa semula jadi (NLP), ramalan siri masa dan sebagainya.

Rangkaian saraf berulang tradisional (RNN) tidak dapat menangani masalah jujukan jangka panjang, untuk menyelesaikan masalah ini, rangkaian saraf LSTM dicadangkan dengan menambah struktur "pintu" untuk mengawal keadaan sel dan output pada masa yang berbeza untuk mengurangkan masalah kehilangan kecerunan. Struktur "gerbang" LSTM merangkumi tiga jenis:"gerbang lupa," "gerbang masukan" dan "gerbang keluaran." Fungsi "gerbang lupa" adalah untuk menilai maklumat yang dihantar dari masa sebelumnya kepada masa semasa dan secara selektif "melupakan" beberapa maklumat seperti yang ditunjukkan dalam Rajah 4. Di samping itu, permulaan ortogon dicadangkan untuk mengelakkan kehilangan atau letupan kecerunan pada peringkat awal latihan , fungsi pengaktifan ReLU (Recti'ed Linear Unit) boleh mengurangkan kehilangan kecerunan, ricih kecerunan dapat menyelesaikan letupan kecerunan, dan Unit LSTM boleh mengawal kehilangan kecerunan.

LSTM telah berjaya digunakan dalam terjemahan mesin, penjanaan perbualan dan medan lain, menunjukkan keupayaan pemodelan data jujukan yang sangat baik. Oleh itu, kertas kerja ini membina harga runcit model ramalan barangan sukan berdasarkan unit rangkaian LSTM dan boleh menggunakan sepenuhnya cirinya yang mana-mana jujukan panjang boleh digunakan sebagai input dan digunakan pada pengecaman data dalam talian. LSTM menyelesaikan masalah yang RNN tidak dapat menangani pergantungan lama dengan memperkenalkan [25].

Biarkan bilangan neuron input dalam keseluruhan lapisan tersembunyi ialah G, G termasuk semua unit dan get, dan gunakan indeks G untuk mewakili neuron input ini. e pengiraan hadapan LSTM adalah untuk mengira urutan input X dengan panjang masa d, yang titik permulaannya ialah t 1 [26, 27]. Apabila nilai titik masa T meningkat secara berterusan, persamaan akan dikemas kini secara rekursif sehingga t t. Seperti pengiraan hadapan, pengiraan songsang ialah urutan input X dengan panjang masa T, tetapi titik permulaan pengiraan songsang ialah T T. Apabila nilai T menurun secara berterusan, timbal balik unit dikira secara rekursif sehingga 1 1. Mengikut terbitan pada setiap titik masa di atas, kita boleh mendapatkan nilai terbitan berat akhir.

di mana Wf dan bf masing-masing mewakili berat dan berat sebelah get lupa, manakala σ mewakili fungsi Sigmoid.

4. Pemprosesan Data dan Explora

pada*Titik inovasi utama kertas ini adalah untuk menambah baik model LSTM konvensional dan menggunakannya untuk meramalkan harga runcit produk sukan, jadi kami terutamanya membandingkannya dengan model LSTM konvensional. Kedua, kerana set data sebenar adalah berharga dan sukar diperoleh, kertas ini hanya menggunakan satu set data untuk eksperimen simulasi. Oleh kerana kualiti data mempengaruhi latihan model yang dipilih, pengumpulan, analisis dan pemprosesan data adalah peringkat utama sebelum latihan model. *e data dalam kertas ini terutamanya merangkumi dua bahagian: objek kajian dan data ciri.

Ramalan umum harga komoditi tertumpu pada harga komoditi sukan. Gunakan Python untuk menjalankan analisis statistik deskriptif bagi komoditi sukan yang berbeza dan lukis carta harga penutupnya [31, 32], seperti yang ditunjukkan dalam Rajah 5. *e-pengagihan condong ke kanan, puncaknya lebih kecil daripada 3, bentuk ekornya nipis, dan tidak mematuhi taburan normal.

n.4.1. Pengurangan Bunyi Data. Oleh kerana dinamik pasaran adalah sangat kompleks, data ini mengandungi bunyi yang jarang berlaku, jadi perpustakaan dalam Python digunakan untuk transformasi wavelet untuk membuang bunyi data [33]. Perlu diingat bahawa model pertukaran gelombang konvensional digunakan dalam kertas ini. Ia mewarisi dan mengembangkan idea penyetempatan transformasi Fourier jangka pendek dan mengatasi kelemahan saiz tetingkap yang tidak berubah dengan kekerapan. Ia boleh menyediakan penukaran tetingkap "frekuensi masa" dengan kekerapan, yang merupakan alat yang ideal untuk analisis kekerapan masa dan pemprosesan isyarat. *Oleh itu, ia amat sesuai untuk mengeluarkan bunyi dalam data kewangan. Rajah 6 dan 7 ialah perbandingan sebelum dan selepas perubahan gelombang.

n. Selepas latihan rangkaian saraf LSTM selesai, keputusan ramalan dan nilai MSE sepadan Model 1 dan Model 2 masing-masing diberikan, seperti ditunjukkan dalam Rajah 8, dan keputusan ramalan Model 1 dan Model 2 ditunjukkan dalam Rajah 9.

9.*Idea asas latihan model adalah untuk menyesuaikan satu set sistem peraturan pada set data latihan untuk mendedahkan peraturan dalam data. Dalam erti kata lain, kesesuaian menerangkan seberapa baik, atau seberapa baik, model boleh digeneralisasikan kepada data dalam set ujian Model yang baik menghasilkan prestasi model yang baik dan boleh disahkan dengan data baharu di luar set data latihan, iaitu, data luar sampel. Selain parameter yang boleh dipelajari, model yang berbeza memerlukan hiperparameter yang berbeza, yang merupakan parameter yang tidak perlu dilatih.

Parameter adalah penting kepada model dan bergantung pada data latihan. Sebagai sebahagian daripada proses latihan, model LSTM diselaraskan dan dioptimumkan lagi untuk mendapatkan ramalan yang lebih baik dengan mempelajari parameter daripada data latihan melalui teknik pengoptimuman [34–37].

Proses penyelidikan ekonomi secara amnya adalah untuk menjelaskan fenomena ekonomi dengan membina model ekonomi. Apabila fenomena ekonomi yang diterima umum disahkan oleh sarjana, ia perlu disenaraikan dalam bentuk fakta tipikal. Dalam penyelidikan susulan, jika penyelesaian model dalam keadaan keseimbangan am adalah konsisten dengan fakta tipikal, ia boleh menjelaskan bahawa model itu lebih munasabah pada tahap yang besar. Dalam kajian 'masalah kewangan, terutamanya dalam kajian 'siri pulangan masa kewangan, beberapa ciri statistik yang biasa boleh diperhatikan. Menurut fakta tipikal sarjana tentang siri pulangan univariat, ia diringkaskan seperti berikut: ia sering menunjukkan korelasi automatik; Ia sering menunjukkan ingatan yang panjang; e pereputan perlahan autokorelasi pulangan mutlak; pengedaran ekor tebal puncak; bentuk pengedaran berubah mengikut masa; pengagregatan gelombang e‡ect; selepas melaraskan pengagregatan Žaktuasi, masih terdapat ekor tebal bersyarat e‡, dsb. Di bawah andaian bebas dan teragih sama, prestasi model siri masa kewangan yang 'diuji' selalunya tidak optimum, jadi ciri pengedaran data perlu dipertimbangkan apabila memodelkan siri pendapatan. Apabila model rangkaian saraf digunakan untuk memodelkan data, andaian pengagihan tidak perlu dipertimbangkan. adalah kerana model rangkaian saraf boleh menyamaratakan struktur data input supaya ciri-ciri linear 'data kewangan boleh ditangkap oleh rangkaian saraf.

Carian Grid ialah kaedah melatih model secara sistematik, menggunakan gabungan nilai hiperparameter yang berbeza untuk melatih model, mengesahkan silang setiap model sehingga gabungan nilai optimum didapati untuk memastikan prestasi model terbaik. Melalui parameter ujian berterusan semua kombinasi, kumpulan kepada 'dan gabungan yang paling sesuai bagi parameter konfigurasi super akan menjadi pendiskretan, parameter super mengikut ciri mereka untuk memilih beberapa nilai pengalaman, dan kemudian mengikut kombinasi model latihan yang berbeza, untuk memilih gabungan optimum kon'gurasi, keadaan kurang sesuai untuk parameter super. Carian Rawak adalah untuk menggabungkan hiperparameter secara rawak dan kemudian memilih konfigurasi optimum. Ia tidak membuat percubaan yang tidak perlu pada parameter yang tidak penting kerana, sama seperti pekali regularisasi mempunyai kesan terhad pada prestasi model, kadar pembelajaran mempunyai kesan yang lebih besar pada prestasi model, jadi ia tidak makeun percubaan yang diperlukan. Carian rawak secara amnya lebih cekap dan lebih mudah untuk dilaksanakan berbanding carian grid.Walau bagaimanapun, kedua-dua kaedah ini tidak mengambil kira sama ada terdapat korelasi antara hiperparameter, jadi ia agak tidak cekap. Pengoptimuman Bayesian ialah kaedah pengoptimuman hiperparameter adaptif, yang meramalkan kombinasi hiperparameter seterusnya yang mungkin berdasarkan gabungan hiperparameter yang diuji untuk mendapatkan utiliti maksimum. Oleh kerana fungsi taburan kumulatif taburan Gaussian ialah fungsi jenis-s, fungsi GELU boleh dianggarkan dengan fungsi tanh atau Fungsi Logistik seperti yang ditunjukkan dalam Rajah 10.

Strategi paling mudah ialah 'xa kadar pembelajaran sepanjang proses latihan. Memilih kadar pembelajaran yang lebih kecil membolehkan pengoptimum untuk mendapatkan penyelesaian yang baik, tetapi adalah mudah untuk mengehadkan kadar penumpuan. Hubungan antara kedua-duanya boleh diimbangi dengan mengambil masa untuk menukar kadar pembelajaran.Rajah 11 menunjukkan kadar pembelajaran bagi setiap tempoh.

Selepas banyak kali pelarasan dan pengoptimuman, keputusan ramalan sebelum dan selepas penambahbaikan ditunjukkan dalam Rajah 12 dan 13, masing-masing. struktur model dan parameter yang diperolehi adalah seperti berikut: Panjang Jujukan tetingkap ujian ialah 55, dan model berjujukan terdiri daripada tiga lapisan LSTM, dengan bilangan neuron dalam setiap lapisan ialah 100, 100 dan 150, masing-masing. Untuk mengelakkan pemasangan berlebihan, dua lapisan Keciciran ditambah dengan lapisan Keciciran 0.2, dan dimensi data input ialah 5. Lapisan padat ditambah untuk mengagregat dimensinya menjadi 1, fungsi pengaktifan adalah linear, dan fungsi kehilangan ditetapkan sebagai Purata Ralat Kuasa Dua (MSE). Adam digunakan sebagai algoritma pengoptimuman, dan dua Epoch digunakan sebagai model. Setiap batch bersaiz 32.

e model ramalan harga konvensional juga merupakan model pembelajaran mendalam. Pertama, model ramalan harga konvensional dibina; iaitu model hanya mengandungi data pasaran dan 'data kewangan. e data pasaran sebelumnya dan '-data kewangan digunakan untuk melatih model pembelajaran mendalam untuk mendapatkan model pembelajaran mendalam terlatih untuk meramalkan pasaran masa depan; teknologi pemprosesan bahasa semula jadi yang kasar, pengekstrakan maklumat emosi, dan penilaian emosi dijalankan pada data pendapat umum. Digabungkan dengan model ramalan harga konvensional, model pembelajaran mendalam dipengaruhi dengan menggunakan data pasaran, 'data kewangan, laporan penyelidikan, dan data kecenderungan emosi' berita kewangan, dan model tersebut digunakan untuk meramalkan pasaran masa depan. my, e‡ect ramalan model ramalan harga sekuriti konvensional dibandingkan dengan model pembelajaran mendalam berdasarkan hasil pemprosesan bahasa semula jadi data pendapat awam.

Selepas menentukan bilangan nod input, nod keluaran dan nod lapisan tersembunyi bagi dua model rangkaian LSTM, model pembelajaran mendalam boleh dilatih. Selepas banyak eksperimen, didapati bahawa masa latihan adalah terlalu sedikit dan ralat latihan model adalah terlalu besar, jadi adalah perlu untuk meningkatkan masa latihan secara berterusan, tetapi dengan peningkatan masa latihan; ralat latihan model secara beransur-ansur cenderung kepada nilai yang stabil. Jika masa latihan model dinaikkan banyak pada masa ini, model e‡, dsb. akan bertambah baik. Ia adalah hasil latihan 'model rehat C. Apabila masa latihan kurang daripada 200, ralat model adalah besar. Pada masa ini, meningkatkan masa latihan akan dengan cepat mengurangkan ralat latihan model; Apabila masa latihan adalah lebih daripada 200 kali dan kurang daripada 1000 kali, ralat model adalah kecil. Pada masa ini, apabila masa latihan ditingkatkan, tahap pengurangan ralat latihan model telah menunjukkan undang-undang yang semakin berkurangan; Apabila melatih 1000 hingga 2000 kali, ralat model berubah di kawasan kecil, dan kesan peningkatan bilangan masa latihan secara beransur-ansur tidak jelas. kasar banyak ujian dan perbandingan, didapati bahawa apabila bilangan masa latihan model adalah kira-kira 2000 kali, ia boleh memenuhi keperluan ketepatan latihan. Jika bilangan masa latihan ditambah, kesan penambahbaikan ralat latihan model adalah kecil, Selain itu, ia mengambil masa yang lama untuk melatih model pada komputer, jadi ia adalah sedikit kepentingan untuk meningkatkan terlalu banyak masa latihan. Oleh itu, kami menetapkan masa latihan model pembelajaran mendalam dalam kajian ini pada 2000 kali. Dalam model kemudian, kami juga mengesahkan bahawa ia mematuhi undang-undang ini. Oleh itu, model pembelajaran mendalam kedua dengan data maklumat pendapat umum juga menetapkan masa latihan pada 2000 kali.

5. Kesimpulan

(1) Kertas kerja ini menggunakan teori pembelajaran mendalam, berdasarkan ciri 'data siri masa kewangan, menggunakan model rangkaian saraf LSTM untuk meramal indeks harga komoditi sukan, dan membandingkan keputusan ramalannya dengan keputusan ramalan menggunakan model rangkaian. Keputusan eksperimen menunjukkan bahawa model rangkaian saraf LSTM mempunyai prestasi terbaik pada set ujian.

(2) Model ramalan diwujudkan. Berdasarkan kejuruteraan ciri data terkumpul, model ramalan rangkaian saraf berdasarkan ingatan jangka panjang dan pendek diwujudkan, dan model itu dilatih dengan set latihan untuk meramalkan harga barangan sukan. Jangka masa pengoptimuman model, bilangan neuron lapisan tersembunyi, kadar pembelajaran, saiz kelompok dan roda latihan telah dilaraskan untuk mencapai hasil latihan yang terbaik.

(3) Dalam model ramalan trend harga komoditi sukan ini, data harga sukan yang berbeza akan mempunyai pengaruh yang berbeza terhadap kesan ramalan, jadi pemilihan set data juga sangat penting.

Walaupun model yang dicadangkan dalam kertas ini mencapai keputusan ramalan yang baik, model tersebut tidak mengambil kira perkaitan masa data. Beberapa alatan tetingkap masa gelongsor boleh digunakan dalam kajian akan datang untuk meningkatkan saiz langkah ramalan dan ketepatan ramalan model.

Ketersediaan Data

Data yang digunakan untuk menyokong dapatan kajian ini boleh didapati daripada penulis atas permintaan.

Konflik Kepentingan

Thepengarang mengisytiharkan bahawa tiada konflik kepentingan.

Rujukan

[1] J. Wang, R. Hou, dan C. Wang, "Model regresi vektor sokongan yang lebih baik berdasarkan pemilihan pembolehubah dan pengoptimuman sumbangsaran untuk ramalan harga saham," Applied Soft Computing, vol. 49, tidak. 2, ms 164–178, 2016.

[2] M. Dixon, D. Klabjan, dan J. Hoon Bang, "C1assificationbased financial markets prediction using deep neural networks," Algorithmic Finance, vol. 6, tidak. 3-4, hlm. 67–77, 2017.

[3] K. Chen, Y. Zhou, dan FY Dai, "Kaedah berasaskan LSTM untuk ramalan pulangan saham: kajian kes pasaran saham China," dalam Prosiding Persidangan Antarabangsa IEEE 2015 mengenai Data Besar, vol. 123, no. 12, hlm. 2823-2824, Santa Clara, CA, AS, 2015.

[4] AE Clements dan N. Todorova, "Aliran maklumat, aktiviti perdagangan dan turun naik niaga hadapan komoditi," Journal of FuturesMarkets, vol. 36, tidak. 1, ms 88–104, 2016.

[5] L. Xuewei dan L. Xueyan, "Data besar dan teknologi utamanya pada masa hadapan," Pengkomputeran dalam Sains & Kejuruteraan, vol. 20, tidak. 4, hlm. 75–88, 2018.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic, andF. Kaleem, "Ramalan gangguan berasaskan cuaca dalam grid pintar menggunakan data kronologi," Journal of ModernPower Systems and Clean Energy, vol. 4, tidak. 2, ms 308–315,2016.

[7] X. Zhang, J. Wang, dan Y. Gao, "Rangka kerja ramalan harga elektrik jangka pendek hibrid: pemilihan ciri berasaskan carian cuckoo dengan analisis spektrum tunggal dan SVM,"Energy Economics, vol. 81, tidak. 6, ms. 16–23, 2019.

[8] G. Osorio, M. Lotfi, VMA Campos, dan M. Khan, "Model ramalan hibrid untuk harga pasaran elektrik jangka pendek dengan penyepaduan boleh diperbaharui," Kelestarian, vol. 11, tidak. 1, ms. 1–15, 2018.

[9] A. Bello, DW Bunn, dan J. Reneses, "Ramalan Jangka Sederhana bagi harga elektrik: pendekatan hibrid," IEEE Transactions on Power Systems, vol. 16, tidak. 2, ms. 1–6, 2016.

[10] A. Bello, J. Reneses, A. Muñoz, dan A. Delgadillo, "Ramalan kebarangkalian harga elektrik setiap jam dalam jangka sederhana menggunakan teknik interpolasi spatial," InternationalJournal of Forecasting, vol. 32, tidak. 3, hlm. 966–980, 2016.

[11] P. Kou, D. Liang, L. Gao, dan J. Lou, "Ramalan harga elektrik berkebarangkalian dengan proses Gaussian heteroskedastik variasi dan pembelajaran aktif," Penukaran dan Pengurusan Tenaga, vol. 89, hlm. 298–308, 2015.

For more information:1950477648nn@gmail.com