Urheiluvälineiden vähittäismyyntihinnan ennuste LSTM-verkoston perusteella

Hyödykkeiden hinnoilla on ainutlaatuinen rooli talouden säätelyvipuna. Hintaennuste on tärkeä osa makropäätöksentekoa ja mikrojohtamista. Koska tavaroiden hintoihin vaikuttaa monia tekijöitä, hintojen ennustaminen on vaikeutunut tutkimuksessa. Sen ominaisuuksien mukaan, että hintatietoihin vaikuttavat myös muut tekijät paitsi aikasarjoja, ehdotetaan monitekijäistä LSTM-hinnanennustusmenetelmää, joka perustuu pitkä- ja lyhytaikaisen muistiverkon (LSTM) syväoppimisalgoritmiin.

Aikajärjestys ja muisti ovat erottamattomia. Aikasarja on säännöllinen esitys ajan kehityksestä, ja muisti on yksi tärkeimmistä ihmisen kyvyistä. Se voi auttaa meitä muistamaan menneitä kokemuksia, ennustamaan tulevia suuntauksia ja tekemään oikeita päätöksiä.

Aikasarjat voivat auttaa meitä ymmärtämään paremmin ympäristön muutoksia ja trendejä, mikä on meille tärkeää oikeiden päätösten tekemisessä ja tulevaisuuden suunnittelussa. Aikasarjojen säännöllisyydestä johtuen, kun analysoimme joitain tärkeitä aikasarjoja, voimme ennustaa tapahtuman tai trendin kehityssuunnan etukäteen. Nämä ennusteet voivat auttaa meitä suunnittelemaan suunnitelmia paremmin ja siten tekemään päätöksiä tarkemmin.

Samalla muisti on myös erittäin tärkeä. Muistimme auttaa meitä muistamaan menneitä tapahtumia, mukaan lukien menneet onnistumiset ja epäonnistumiset. Kun kohtaamme samanlaisia ​​tilanteita, voimme tehdä oikeampia päätöksiä muistelemalla menneitä kokemuksia. Lisäksi muisti voi auttaa meitä ennustamaan tulevaisuuden trendejä. Vertailemalla vastaavia tapahtumia voimme paremmin ymmärtää tapahtumien kehitysmalleja ja ennustaa tulevaa kehitystä.

Siksi aikasarjojen ja muistin yhdistäminen voi auttaa meitä ymmärtämään paremmin ympäristön ja trendien muutoksia ja ennustamaan tulevaisuuden kehityssuuntia tarkemmin. Ne voivat auttaa meitä suunnittelemaan paremmin tulevaisuutta ja tekemään tarkkoja päätöksiä. Samalla sillä on myös erittäin tärkeä rooli henkilökohtaisessa kasvussamme ja kehityksessämme. Meidän tulee vahvistaa aikajärjestyksen ja muistin oppimista ja ymmärtämistä. Voidaan nähdä, että meidän on parannettava muistiamme. Cistanche deserticola voi merkittävästi parantaa muistia, koska Cistanche deserticola voi myös säädellä välittäjäaineiden tasapainoa, kuten nostaa asetyylikoliinin ja kasvutekijöiden tasoa. Nämä aineet ovat välttämättömiä muistille ja oppimiselle. Lisäksi liha voi myös parantaa verenkiertoa ja edistää hapen toimitusta, mikä voi varmistaa, että aivot saavat riittävästi ravinteita ja energiaa, mikä parantaa aivojen elinvoimaa ja kestävyyttä.

Napsauta tietää tapoja parantaa aivojen toimintaa

Tämä menetelmä ei ainoastaan ​​hyödynnä LSTM:n muistia historiallisiin tietoihin, vaan myös tuo esiin ulkoisten tekijöiden vaikutuksen hintaan koko yhteyskerroksen kautta, mikä tarjoaa uuden idean hinnanennustusongelman ratkaisemiseen. Verrattuna BP-hermoverkkoon, kokeelliset tulokset osoittavat, että tällä menetelmällä on suurempi tarkkuus ja parempi vakaus. Analysoi hyödykkeen kuvaus ja hyödykkeen hintaominaisuudet, etsi hyödykkeet, jotka ovat samankaltaisia ​​kuin kohdehyödyke, täydennä hyödykkeiden hintatietoja käyttämällä samankaltaisten hyödykkeiden historiallisia hintatietoja ja luo koulutus asetettu varmistamaan ehdotetun menetelmän kelpoisuus.

1. Esittely

Hyödykemarkkinoiden markkinoiden laajuus laajenee päivä päivältä, kaupankäynnin lajikkeet rikastuvat ja kaupankäyntimekanismista tulee yhä enemmän standardoitua. Hyödykemarkkinoiden kehittymisen jälkeen siitä on tullut tärkeä "rahoituksen osamarkkina". Hintasignaalin leviäminen markkinoille on tärkeä rooli yritystuotannon, kansainvälisen kaupan ja talouden säätelyn ohjauksessa [1]. Myös Kiinan hyödykepörsseille on kertynyt runsaasti markkinatietoa useiden vuosien toiminnassa ja kehittämisessä.

Tutkijat keräävät, lajittelevat ja analysoivat eri hyödykkeiden transaktiotietoja ja sitten lisäävät ja kokoavat samat hyödykeindeksit. Nämä indeksit voivat arvioida hyödykkeiden hintojen yleistä vaihtelua ja hyödyketalouden kehitystrendiä ja auttaa valtion toiminnallisia instituutioita ymmärtämään makrotalouden lopputilan; samaan aikaan asiaankuuluvat yritykset voivat myös käyttää hyödykeindeksin sisältämiä riisin hyödykkeiden hintatietoja omat liiketoimintapäätöksensä, järjestävät ostetun määrän järkevästi ja minimoivat tarpeettomat taloudelliset tappiot [2, 3].

Kaupallisella toiminnalla on yhä tärkeämpi asema kansantaloudessa. Kaupallisella käyttäytymisellä ei ole vain merkittävä panos kansantaloudelle tuotoksen suhteen, vaan sillä on myös tärkeä rooli markkinasuhteiden kasvattamisessa, markkinamekanismien parantamisessa ja työllisyysongelman ratkaisemisessa [4]. Nykyään tietotekniikan korkean kehityksen myötä sähköinen vähittäiskauppa uutena vähittäistavaramyyntimallina on kehittynyt nopeasti. Ihmiset voivat saada tuhansia hyödyketietoja Internetin kautta ja ottaa yhteyttä hyödykemyyjiin kaikkialla maailmassa tapahtumien vuoksi poistumatta kotoaan [5].

Sähköisen kaupankäynnin ilmaantuminen on helpottanut suuresti ihmisten elämää, edistänyt ihmisten kulutusinnostusta ja lisännyt kuluttajamarkkinoiden elinvoimaisuutta; sähköisen vähittäiskaupan kehitys on vauhdittanut yritysmarkkinoiden vaurautta. Internetissä esitetään ja myydään kymmeniä tuhansia vähittäiskaupan hyödykkeitä, mikä vähentää hyödykkeiden myynnin kustannuksia ja parantaa myynnin tehokkuutta. Samalla, koska sähköinen vähittäiskauppa perustuu Internetiin, sillä on luonnollisia etuja tiedon ja datan hankinnassa ja tallentamisessa. Yritykset saavat suuren määrän tietoa tietotekniikan kautta. Kuinka louhia näitä tietoja ja löytää arvokkaita lakeja, ohjata yritysten liiketoimintaa koskevia päätöksentekoa, parantaa myyntimallia, muotoilla tehokkaita myyntistrategioita ja lopulta saada taloudellista hyötyä sähköisestä kaupankäynnistä. Monet yritykset alkavat investoida kaupallisen tiedon louhinnan suuntaan ja kehittävät kaupallisia tiedonlouhintajärjestelmiään.

Tutkiva data-analyysi on tärkeä vaihe data-analyysissä, joka eroaa alkuperäisestä data-analyysistä. *Ennakkotietoanalyysin painopiste on siinä, täyttyvätkö tilastollisten mallien ja hypoteesien tunnistamisen vaatimukset varmistusanalyysin luotettavuuden varmistamiseksi [6–8]. Tässä analyysiprosessissa määrittelemättömät tiedot täytetään puuttuvilla arvoilla, datamuunnolla, poikkeavien arvojen hylkäämisellä ja muulla käsittelyllä analyysin tarkkuuden parantamiseksi. Tutkiva data-analyysi sisältää alustavan data-analyysin, mutta sen lähtökohtana ei ole vain tietojen laadun määrittäminen, vaan myös tiedon jakautumismallien (Patten) löytäminen ja uusien hypoteesien esittäminen tiedoista. Tutkiva data-analyysi on tunnistettu datatieteen työnkulun avainvaiheeksi, joka voi vaikuttaa useisiin prosesseihin. Kuvassa 1 esitetyssä datatieteen työnkulussa tutkiva dataanalyysi liittyy läheisesti muihin prosesseihin.

Jokainen perusmalli kouluttaa harjoitusjoukon syöttömuuttujat erikseen. *karkea ohjattu oppiminen, jokainen perusmalli. Kunkin perusmallin harjoitusjoukon ennustearvolle määritetään paino painotettua keskiarvoa käyttäen, ja sitten määritetty painoarvo määritetään kunkin perusmallin testijoukon ennustearvolle [9, 10]. Ennuste painoarvon kertolasku ja leikkaus Getmodel testijoukko ennustettuja arvoja. Kuvassa 2 on esitetty mallin rakennuskulku ja kaavio. Kuvasta tiedämme, että se sisältää pääasiassa tietojen esikäsittelyn ja useita ennustustuloksia useista LSTM-malleista, ja ennustetulokset on integroitu ja parannettu painottamalla useita parametreja.

Analysoimalla kunkin urheilutuotteiden perusmallin painoarvoa havaitaan, että perusmalli, jolla on suurempi ennustetarkkuus, saa todennäköisemmin enemmän painoa. Kuva 3 on teknologian tiekartta.

2. Liittyvät työt

Hintaennuste viittaa tulevien hintamuutosten dynaamisen analyysin ennustuskäyttäytymiseen hyödykkeiden historiallisen arvon ja hintatrendin mukaan [11]. *[12]:n kirjoittajat käyttivät toistuvaa hermoverkkomallia suurten nopeuksien junien tärinän ennustamiseen aikasarjoista ja saavuttivat hyviä tuloksia.

Yksinkertaisen aikasarja-algoritmin kehittämisen myötä yksinkertaisen aikasarjaanalyysin soveltaminen laajenee vähitellen. Tällä hetkellä yksinkertaisia ​​aikasarjaanalyysialgoritmeja on käytetty maataloushinnoissa, teollisuushyödykkeiden hintojen ennustamisessa, osakekurssien ennustamisessa ja monilla muilla aloilla. Sillä on laaja valikoima sovelluksia, koska sitä käytetään vähemmän datainformaation analysoinnissa, ja samalla heikosti tehokkaat tiedot. analyysi historiaan, johtaa ennustamiseen, tulokset eivät vieläkään voi vastata yhteiskunnallisen kehityksen tarpeita.

Yksinkertaisiin aikasarjoihin perustuvan hintaennustusalgoritmin tutkimustilanne: sähkön hinnan vaihtelun jaksollisuuden ja kausiluonteisuuden mukaan Marcjasz et al. [13, 14]analysoivat kausivaihtelun vaikutusta tulevaan sähkön hinnanmuutokseen ja käyttivät NARX-hermoverkkomallia sähkön hinnan ennustamiseen, mikä saavutti hyviä tuloksia. Hyvien ennustetulosten saamiseksi julkaisun [15] kirjoittajat suunnittelivat graafisen hermoverkkojen denoising-aggregation käyttämällä pääkomponenttianalyysiä. Wang et ai. [16–18]tutkivat lyhyen aikavälin sähkön hintaennusteita pinottujen kohinanvaimennuslaitteiden kanssa, tutkivat ja soveltavat hybridiennustekehystä ja ehdottivat uutta hybridimallia ilmanlaatuindeksin kaksivaiheiseen hajoamistekniikkaan ja modifioituun äärimmäiseen oppimiskoneeseen (ELM). Chong et ai. [19, 20] tutki osakemarkkinoiden analyysin ja ennustamisen syväoppimisverkostoja ja suoritti vastaavasti empiirisen omaisuuden hinnoittelun koneoppimisen kautta. Nilashi et ai. esitteli analyyttisen lähestymistavan ison sosiaalisen datan analysointiin asiakkaiden päätöksenteossa ympäristöystävällisissä hotelleissa ja testasi ehdotettua ratkaisua kahdella avoimella tietojoukolla [21]. Edellä olevien töiden lisäksi Hoseinzade [22] yhdisti ANN-mallin ja CNN-mallin, ennusti ShanghaiFuturesin nousun ja laskun tunnetulla ajanjaksolla ja saavutti hyviä ennustustuloksia. Sijoittajat voivat tehdä sijoituspäätöksiä myös Chenin avulla ja Ge [23] tutki huomiomekanismia LSTM-pohjaisessa Hongkongin osakekurssien muutosennusteessa. Fang et ai. syvään oppimiseen perustuvat kvantitatiiviset sijoitusstrategiat[24]. Edellä esitettyjen keskustelujen perusteella tämän asiakirjan tärkeimmät panokset on tiivistetty seuraavasti:

(1) RNN-mallin parannetun rakenteena LSTM-malli ei ainoastaan ​​peri aikasarjatietojen käsittelyyn soveltuvia RNN-mallin ominaisuuksia, vaan myös ratkaisee edelleen pitkäaikaisen aikaulottuvuuden riippuvuuden ongelman ja parantaa ennusteen tarkkuutta. Sen ennustevaikutus on parempi kuin BP-hermoverkko, RNN, CNN, GRU ja muut hermoverkkomallit.

(2) Grid Searchia käytetään mallin kouluttamiseen eri parametreilla ja kunkin mallin ristiinvalidointiin, kunnes löydetään optimaalinen arvojen yhdistelmä takaamaan parhaan mallin suorituskyvyn.

(3) *E optimoitu malli varmistetaan testijoukolla ja keskineliövirhettä käytetään arviointiindeksinä mallin ylisovittumisen estämiseksi. *tulokset osoittavat, että malli saavuttaa pienen keskineliövirheen sekä harjoitusjoukossa että testijoukossa ja saa sivuennustetuloksia.

3. LSTM-verkko

LSTM-hermoverkkoa ehdottivat ensin Hochreiter et al. (1997), ja sitä laajennettiin edelleen Alex Gravesin optimoinnin ja parantamisen jälkeen. Monissa sekvenssitietoihin liittyvissä käytännön ongelmissa LSTM on saavuttanut suurta menestystä ja sitä on käytetty laajalti, kuten luonnollisen kielen käsittelyssä (NLP), aikasarjan ennustamisessa ja niin edelleen.

Perinteinen toistuva hermoverkko (RNN) ei pysty käsittelemään pitkän aikavälin sekvenssiongelmaa. Tämän ongelman ratkaisemiseksi ehdotetaan LSTM-hermoverkkoa lisäämällä "portti"-rakenne solun tilan ja ulostulon ohjaamiseksi eri aikoina. gradientin katoaminen. LSTM:n "portti"-rakenne sisältää kolme tyyppiä: "unohdettava portti", "tuloportti" ja "lähtöportti". "Unohdettavan portin" tehtävänä on arvioida edellisestä ajasta nykyiseen aikaan siirretyt tiedot ja valikoivasti "unohtaa" joitain tietoja, kuten kuvassa 4. Lisäksi ehdotetaan ortogonaalista alustusta, jotta vältetään gradientin katoaminen tai räjähdys harjoituksen alkuvaiheessa. , ReLU (Recti'ed Linear Unit) -aktivointitoiminto voi lieventää gradientin katoamista, gradientin leikkaus voi ratkaista gradientin räjähdyksen ja LSTM-yksikkö voi hallita gradientin katoamista.

LSTM:ää on sovellettu menestyksekkäästi konekäännöksissä, keskustelujen luomisessa ja muilla aloilla, mikä osoittaa erinomaisen sekvenssitiedon mallinnuskyvyn. Siksi tämä artikkeli rakentaa LSTM-verkkoyksikköön perustuvan urheiluvälineiden ennustusmallin vähittäishinnan ja voi hyödyntää täysimääräisesti sen ominaisuutta, jonka mukaan mitä tahansa pituutta voidaan käyttää syötteenä ja soveltaa online-tiedontunnistukseen. LSTM ratkaisee ongelman, että RNN ei pysty käsittelemään pitkäaikaista riippuvuutta ottamalla käyttöön [25].

Olkoon syötehermosolujen lukumäärä koko piilokerroksessa G, G sisältää kaikki yksiköt ja portit, ja käytä indeksiä G edustamaan näitä syötehermosoluja. LSTM:n eteenpäinlaskenta on laskea syöttösekvenssi X, jonka pituus on d ja jonka aloituspiste on t 1 [26, 27]. Kun ajankohdan T arvo kasvaa jatkuvasti, yhtälöä päivitetään rekursiivisesti t t asti. Kuten eteenpäin laskeminen, käänteinen laskenta on syötesekvenssi X, jonka aika on T, mutta käänteisen laskennan aloituspiste on T T. Kun T:n arvo pienenee jatkuvasti, lasketaan yksikön käänteisarvo rekursiivisesti arvoon 1 1. Derivaatojen mukaan. jokaisella yllä olevalla aikapisteellä voimme saada painon johdannaisen arvon.

missä Wf ja bf edustavat unohdusportin painoa ja harhaa, vastaavasti, kun taas σ edustaa sigmoidifunktiota.

4. Tietojenkäsittely ja Explora

on*Tämän julkaisun tärkein innovaatiokohde on parantaa perinteistä LSTM-mallia ja soveltaa sitä urheilutuotteiden vähittäismyyntihintojen ennustamiseen, joten verrataan sitä pääasiassa perinteiseen LSTM-malliin. Toiseksi, koska todelliset tietojoukot ovat arvokkaita ja niitä on vaikea saada, tässä artikkelissa käytetään vain yhtä tietojoukkoa simulaatiokokeeseen. Koska tiedon laatu vaikuttaa valitun mallin koulutukseen, tiedon kerääminen, analysointi ja käsittely ovat keskeisiä vaiheita ennen mallin koulutusta. *Tämän artikkelin tiedot sisältävät pääasiassa kaksi osaa: tutkimuskohteen ja tunnustiedot.

Yleinen raaka-aineen hintaennuste keskittyy urheiluhyödykkeiden hintaan. Suorita Pythonilla kuvaava tilastollinen analyysi eri urheiluhyödykkeistä ja piirrä niiden päätöskurssikaaviot [31, 32], kuten kuvassa 5. *e-jakauma on vinossa oikealle, huiput ovat pienempiä kuin 3, hännän muoto on ohut, eikä noudata normaalijakaumaa.

n.4.1. Tietojen kohinan vähentäminen. Koska markkinoiden dynamiikka on erittäin monimutkaista, nämä tiedot sisältävät harvoin kohinoita, joten Pythonin kirjastoa käytetään aallokemuunnokseen datakohinoiden poistamiseksi [33]. On syytä huomata, että tässä artikkelissa käytetään perinteistä aallonmuutosmallia. Se perii ja kehittää ajatusta lyhytaikaisesta Fourier-muunnoksen lokalisoinnista ja voittaa puutteet, joissa ikkunan koko ei muutu taajuudella. Se voi tarjota "aika-taajuus"-ikkunanvaihdon taajuudella, mikä on ihanteellinen työkalu aika-taajuusanalyysiin ja signaalien käsittelyyn. *Siksi se soveltuu erityisesti kohinan poistamiseen taloustiedoista. Kuvat 6 ja 7 ovat vertailut ennen ja jälkeen aaltomuunnoksen.

n. Kun LSTM-hermoverkkokoulutus on suoritettu, mallin 1 ja mallin 2 ennustetulokset ja vastaavat MSE-arvot annetaan vastaavasti, kuten kuvassa 8 esitetään, ja mallin 1 ja mallin 2 ennustetulokset on esitetty kuvassa 9.

9.*Malliharjoittelun perusideana on sovittaa harjoitustietosarjaan sääntöjärjestelmä, joka paljastaa datassa olevat säännöt. Toisin sanoen sovitus kuvaa kuinka hyvin tai kuinka hyvin malli voidaan yleistää dataan testisarjassa Hyvä malli tuottaa hyvän mallin suorituskyvyn ja se voidaan validoida uudella, koulutustietojoukon ulkopuolisella tiedolla eli otoksen ulkopuolisilla tiedoilla. Mukana olevien parametrien lisäksi eri mallit vaativat erilaisia ​​hyperparametreja, jotka ovat parametreja, joita ei tarvitse kouluttaa.

Parametrit ovat kriittisiä mallille ja riippuvat koulutustiedoista. Osana koulutusprosessia LSTM-mallia säädellään ja optimoidaan edelleen, jotta saadaan parempi ennustevaikutus oppimalla parametreja koulutustiedoista optimointitekniikoiden avulla [34–37].

Taloustutkimuksen prosessi on yleensä selittää taloudellisia ilmiöitä rakentamalla taloudellisia malleja. Kun yleisesti hyväksytyt talousilmiöt ovat tutkijoiden hyväksymiä, ne on lueteltava tyypillisten tosiasioiden muodossa. Jatkotutkimuksessa, jos mallin ratkaisu yleisessä tasapainotilassa on sopusoinnussa tyypillisten tosiasioiden kanssa, se voi selittää mallin olevan suurelta osin järkevämpi. "Rahoitusongelmien tutkimuksessa, erityisesti "taloudellisten aikatuottosarjojen" tutkimuksessa, voidaan usein havaita joitain yhteisiä tilastollisia piirteitä. Tutkijoille tyypillisten yksimuuttujaisten palautussarjojen tosiasioiden mukaan ne on tiivistetty seuraavasti: ne osoittavat usein autokorrelaatiota; Se osoittaa usein pitkää muistia; e absoluuttisen tuoton autokorrelaation hidas vaimeneminen; huippu paksu hännän jakautuminen; jakauman muoto muuttuu ajan myötä; aaltojen aggregaatioefekti; Žactuation-aggregaation säätämisen jälkeen on edelleen ehdollinen paksu häntä e‡ jne. Riippumattoman ja identtisesti jakautuneen oletuksen mukaan "testatun" taloudellisen aikasarjamallin suorituskyky ei usein ole optimaalinen, joten datan jakautumisominaisuudet on otettava huomioon. tulosarjoja mallinnettaessa. Kun datan mallintamiseen käytetään hermoverkkomallia, jakauman oletusta ei tarvitse ottaa huomioon. johtuu siitä, että hermoverkkomalli voi yleistää syöttödatan rakenteen niin, että neuraaliverkko voi siepata taloudellisen datan onlineaariset ominaisuudet.

Grid Search on menetelmä mallin systemaattiseen kouluttamiseen käyttämällä erilaisia ​​hyperparametriarvojen yhdistelmiä mallin harjoittamiseen ja ristiinvalidoimalla jokaista mallia, kunnes löydetään optimaalinen arvojen yhdistelmä, joka varmistaa mallin parhaan suorituskyvyn. Kaikkien yhdistelmien parametrien jatkuvan testauksen avulla superkonfiguraatioparametrien ryhmä ja sopivin yhdistelmä on diskretointi, superparametrit niiden ominaisuuksien mukaan useiden kokemusarvojen valitsemiseksi ja sitten koulutusmallin eri yhdistelmien mukaan optimaalisen yhdistelmän valitsemiseksi. konfiguraatio, olosuhteet vähemmän sopivat superparametreille. Satunnaishaun tarkoituksena on yhdistää satunnaisesti hyperparametrit ja valita sitten optimaalinen kokoonpano. Se ei tee tarpeettomia yrityksiä epätärkeillä parametreilla, koska aivan kuten regularisointikertoimilla on rajallinen vaikutus mallin suorituskykyyn, oppimisnopeudella on suurempi vaikutus mallin suorituskykyyn, joten se ei tee tarpeettomia yrityksiä. Satunnaishaut ovat yleensä tehokkaampia ja helpompia toteuttaa kuin ruudukkohaut. Nämä kaksi menetelmää eivät kuitenkaan ota huomioon, onko hyperparametrien välillä korrelaatiota, joten ne ovat suhteellisen tehottomia. Bayesin optimointi on adaptiivinen hyperparametrien optimointimenetelmä, joka ennustaa seuraavan mahdollisen hyperparametriyhdistelmän testatun hyperparametriyhdistelmän perusteella maksimaalisen hyödyn saamiseksi. Koska Gaussin jakauman kumulatiivinen jakaumafunktio on s-tyyppinen funktio, GELU-funktio voidaan approksimoida tanh-funktiolla tai logistiikkafunktiolla kuvan 10 mukaisesti.

Yksinkertaisin strategia on lisätä oppimisnopeutta koko harjoitusprosessin ajan. Valitsemalla pienemmän oppimisnopeuden optimoija voi löytää hyvän ratkaisun, mutta konvergenssinopeutta on helppo rajoittaa. Näiden kahden välinen suhde voidaan tasapainottaa ottamalla aikaa oppimisnopeuden muuttamiseen. Kuvassa 11 on esitetty oppimisnopeus kullakin jaksolla.

Useiden säätö- ja optimointikertojen jälkeen ennustetulokset ennen parannusta ja sen jälkeen on esitetty kuvioissa 12 ja 13, vastaavasti. Lopullinen mallin rakenne ja saadut parametrit ovat seuraavat: testiikkunan peräkkäinen pituus on 55 ja peräkkäinen malli koostuu kolmesta LSTM-kerroksesta, jolloin kunkin kerroksen neuronien määrä on 100, 100 ja 150, vastaavasti. Liiallisen sovituksen välttämiseksi lisätään kaksi Dropout-kerrosta Dropout-kerroksella 0,2 ja syöttötietojen mitta on 5. Tiheä kerros lisättiin kokoamaan sen mitat 1:ksi, aktivointifunktio oli lineaarinen ja häviöfunktio asetettiin keskiarvoksi. Squared Error (MSE). Optimointialgoritmina käytettiin Adamia ja mallina kahta aikakautta. Jokainen erä on kooltaan 32.

Perinteinen hintaennustemalli on myös syväoppimismalli. Ensin rakennetaan tavanomainen hintaennustemalli; toisin sanoen malli sisältää vain markkinatietoja ja "taloudellisia tietoja". Aikaisempia markkinatietoja ja taloudellisia tietoja käytetään syväoppimismallin kouluttamiseen, jotta koulutettu syväoppimismalli ennustaa tulevaisuuden markkinoita; Yleisen mielipiteen tiedoille suoritetaan karkea luonnollisen kielen käsittelytekniikka, tunnetiedon poimiminen ja tunnearviointi. Yhdessä perinteisen hintaennustemallin kanssa syväoppimismallia harjoitellaan käyttämällä markkinatietoja, "taloudellisia tietoja, tutkimusraportteja ja talousuutisten emotionaalista taipumustietoa", ja mallia käytetään tulevaisuuden markkinoiden ennustamiseen. fi, perinteisen arvopaperihinnan ennustemallin ennustevaikutusta verrataan syväoppimismalliin perustuen yleisen mielipiteen tietojen luonnollisen kielen käsittelytuloksiin.

Kun kahden mallin LSTMnetwork syöttösolmujen, lähtösolmujen ja piilokerroksen solmujen lukumäärä on määritetty, syväoppimismallia voidaan harjoitella. Monien kokeiden jälkeen havaitaan, että harjoitusajat ovat liian pienet ja mallin harjoitusvirhe on liian suuri, joten harjoitusaikoja on jatkuvasti lisättävä, mutta harjoitusaikojen kasvaessa; mallikoulutuksen virhe pyrkii vähitellen vakaaseen arvoon. Jos mallin harjoitusaikoja lisätään tällä kertaa paljon, malli e‡ jne. ei juurikaan parane. Se on seurausta C:n lepomallin harjoittelusta. Kun harjoitusajat ovat alle 200, mallin virhe on suuri. Tällä hetkellä koulutusaikojen pidentäminen vähentää nopeasti mallikoulutuksen virhettä; Kun harjoitusajat ovat yli 200 kertaa ja alle 1000 kertaa, mallivirhe on ollut pieni. Tällä hetkellä, kun harjoitusaikoja kasvatetaan, mallin harjoitusvirheen vähennysaste on osoittanut laskevan lain; Harjoitettaessa 1000-2000 kertaa mallin muutosvirhe pienellä alueella ja harjoituskertojen lisääntymisen vaikutus eivät vähitellen ole ilmeisiä. karkeilla monilla testeillä ja vertailuilla on havaittu, että kun mallin harjoituskertojen määrä on noin 2000 kertaa, se voi täyttää koulutuksen tarkkuusvaatimukset. Jos harjoituskertojen määrää lisätään, malliharjoitteluvirheen parantamisen vaikutus on pieni. Lisäksi mallin harjoitteleminen tietokoneella kestää kauan, joten liiallisen harjoitusajan lisäämisellä ei ole merkitystä. Siksi asetimme tässä tutkimuksessa syvällisen oppimismallin koulutusajoiksi 2000 kertaa. Myöhemmässä mallissa varmistamme myös, että se on tämän lain mukainen. Siksi myös toinen syvällinen oppimismalli, jossa on yleistä mielipidetietoa, asetti koulutusajat 2000-kertaisiksi.

5. Päätelmät

(1) Tässä artikkelissa sovelletaan syväoppimisen teoriaa, joka perustuu 'taloudellisten aikasarjatietojen ominaisuuksiin, käyttää LSTM-hermoverkkomallia ennustamaan urheiluhyödykkeiden hintaindeksiä ja vertaa sen ennustetuloksia verkkomallia käyttäviin ennustetuloksiin. Kokeelliset tulokset osoittavat, että LSTM-hermoverkkomallilla on paras suorituskyky testijoukossa.

(2) Ennustemalli perustetaan. Kootun datan ominaisuussuunnittelun perusteella muodostetaan pitkä- ja lyhytaikaiseen muistiin perustuva hermoverkkoennustemalli, ja mallia opetetaan harjoitussarjalla ennustamaan urheiluvälineiden hintaa. Mallin optimointiehdot, piilokerroksen neuronien lukumäärä, oppimisnopeus, eräkoko ja harjoituspyörä säädettiin parhaiden harjoitustulosten saavuttamiseksi.

(3) Tässä urheiluhyödykkeiden hintakehityksen ennustemallissa eri urheiluhintatiedoilla on erilainen vaikutus ennustevaikutukseen, joten tietojoukon valinta on myös erittäin tärkeä.

Vaikka tässä artikkelissa ehdotettu malli saavuttaa hyviä ennustetuloksia, malli ei ota huomioon data-ajan korrelaatiota. Joitakin liukuvan aikaikkunan työkaluja voidaan käyttää tulevissa tutkimuksissa parantamaan mallin ennustusaskelten kokoa ja ennustetarkkuutta.

Tietojen saatavuus

Tämän tutkimuksen tulosten tueksi käytetyt tiedot ovat saatavilla kirjoittajalta pyynnöstä.

Eturistiriidat

Thekirjoittaja vakuuttaa, ettei eturistiriitoja ole.

Viitteet

[1] J. Wang, R. Hou ja C. Wang, "Parannettu tukivektoriregressiomalli, joka perustuu muuttujien valintaan ja aivoriihioptimointiin osakekurssien ennustamista varten", Applied Soft Computing, voi. 49, nro. 2, s. 164–178, 2016.

[2] M. Dixon, D. Klabjan ja J. Hoon Bang, "C1assificationbased finanssimarkkinoiden ennuste käyttäen syvää neuroverkkoa", Algorithmic Finance, voi. 6, ei. 3-4, s. 67–77, 2017.

[3] K. Chen, Y. Zhou ja FY Dai, "An LSTM-based method forstock returns ennustaja: tapaustutkimus Kiinan osakemarkkinoista", Proceedings of the 2015 IEEE International Conference onBig Data, voi. 123, nro. 12, s. 2823-2824, Santa Clara, CA,USA, 2015.

[4] AE Clements ja N. Todorova, "Information flow, tradingactivity and commodity futuurien volatiliteetti", Journal of FuturesMarkets, voi. 36, nro. 1, s. 88–104, 2016.

[5] L. Xuewei ja L. Xueyan, "Big data and its key technology in the future", Computing in Science & Engineering, voi. 20, ei. 4, s. 75–88, 2018.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic ja F. Kaleem, "Sään perustuva keskeytysennuste älyverkossa kronologista tietoa hyödyntäen", Journal of ModernPower Systems and Clean Energy, voi. 4, ei. 2, s. 308–315, 2016.

[7] X. Zhang, J. Wang ja Y. Gao, "Hybridi lyhyen aikavälin sähkön hinnan ennustekehys: käkihakuun perustuva ominaisuusvalinta singulaarisella spektrianalyysillä ja SVM:llä", Energy Economics, voi. 81, nro. 6, s. 16–23, 2019.

[8] G. Osorio, M. Lotfi, VMA Campos ja M. Khan, "Hybridi "ennustemalli lyhyen aikavälin sähkömarkkinahintoihin uusiutuvan energian integraatiolla", Sustainability, voi. 11, ei. 1, s. 1–15, 2018.

[9] A. Bello, DW Bunn ja J. Reneses, "Medium-Termprobabilistic ennustaminen sähkön hinnoista: hybridi lähestymistapa", IEEE Transactions on Power Systems, voi. 16, ei. 2, s. 1–6, 2016.

[10] A. Bello, J. Reneses, A. Muñoz ja A. Delgadillo, "Tuntikohtaisten sähkönhintojen todennäköisyysennuste keskipitkällä aikavälillä spatial interpolation tekniikoilla", InternationalJournal of Forecasting, voi. 32, nro. 3, s. 966–980, 2016.

[11] P. Kou, D. Liang, L. Gao ja J. Lou, "Todennäköisyyspohjainen sähkönhinnan ennustaminen vaihtelevalla heteroskedastisella Gaussianprosessilla ja aktiivisella oppimisella", Energy Conversion and Management, voi. 89, s. 298–308, 2015.

For more information:1950477648nn@gmail.com