Predicția prețului de vânzare cu amănuntul al articolelor sportive pe baza rețelei LSTM

Prețurile mărfurilor joacă un rol unic ca pârghie de reglementare a economiei. Prognoza prețurilor este o parte importantă a procesului de luare a deciziilor macro și a micromanagementului. Deoarece există mulți factori care afectează prețul mărfurilor, predicția prețului a devenit o problemă în cercetare. În funcție de caracteristicile conform cărora datele de preț sunt afectate și de alți factori, cu excepția seriilor cronologice, metoda de predicție a prețului LSTM cu multifactor este propusă pe baza algoritmului de deeplearning al rețelei de memorie pe termen lung și scurt (LSTM).

Secvența de timp și memoria sunt inseparabile. Seria temporală este o reprezentare obișnuită a dezvoltării timpului, iar memoria este una dintre cele mai importante abilități umane. Ne poate ajuta să ne amintim experiențele trecute, să anticipăm tendințele viitoare și să luăm decizii corecte.

Seriile cronologice ne pot ajuta să înțelegem mai bine schimbările și tendințele de mediu, ceea ce este crucial pentru a lua decizii corecte și a planifica viitorul. Datorită regularității seriilor temporale, atunci când analizăm unele serii temporale importante, putem prezice în avans direcția de dezvoltare a unui eveniment sau a unei tendințe. Aceste previziuni ne pot ajuta să planificăm mai bine planuri și, prin urmare, să luăm decizii mai bine direcționate.

În același timp, memoria este, de asemenea, foarte importantă. Memoria ne ajută să ne amintim evenimentele trecute, inclusiv succesele și eșecurile din trecut. Atunci când ne confruntăm cu situații similare, putem lua decizii mai corecte rememorând experiențele trecute. În plus, memoria ne poate ajuta să anticipăm tendințele viitoare. Comparând evenimente similare, putem înțelege mai bine modelele de dezvoltare ale evenimentelor și putem prezice evoluțiile viitoare.

Prin urmare, combinația de serii cronologice și memorie ne poate ajuta să înțelegem mai bine schimbările din mediu și tendințe și să anticipăm direcțiile viitoare de dezvoltare cu mai multă acuratețe. Ele ne pot ajuta să planificăm mai bine viitorul și să luăm decizii corecte. În același timp, joacă și un rol foarte important în creșterea și dezvoltarea noastră personală. Ar trebui să întărim învățarea și înțelegerea secvenței timpului și a memoriei. Se poate observa că trebuie să ne îmbunătățim memoria. Cistanche deserticola poate îmbunătăți semnificativ memoria, deoarece Cistanche deserticola poate regla și echilibrul neurotransmițătorilor, cum ar fi creșterea nivelului de acetilcolină și a factorilor de creștere. Aceste substanțe sunt esențiale pentru memorie și învățare. În plus, carnea poate, de asemenea, să îmbunătățească fluxul sanguin și să promoveze livrarea de oxigen, ceea ce poate asigura că creierul primește suficiente nutrienți și energie, îmbunătățind astfel vitalitatea și rezistența creierului.

Faceți clic pe cunoașteți modalități de îmbunătățire a funcției creierului

Această metodă nu numai că folosește memoria LSTM pentru datele istorice, dar introduce și influența factorilor externi asupra prețului prin nivelul complet de conexiune, ceea ce oferă o idee nouă pentru rezolvarea problemei de predicție a prețurilor. În comparație cu rețeaua neuronală BP, Rezultatele experimentale arată că această metodă are o acuratețe mai mare și o stabilitate mai bună. Analizați descrierea mărfurilor și caracteristicile prețului mărfurilor, găsiți mărfurile similare mărfurilor țintă, completați datele prețului mărfurilor utilizând datele istorice ale prețului mărfurilor similare și stabiliți formarea stabilit pentru a verifica validitatea metodei propuse.

1. Introducere

Scara pieței pieței de mărfuri se extinde pe zi ce trece, soiurile de tranzacționare devin din ce în ce mai bogate, iar mecanismul de tranzacționare devine din ce în ce mai standardizat. De la dezvoltarea pieței de mărfuri, aceasta a devenit o „subpiață financiară” importantă. Răspândirea semnalului eprice pe piață joacă un rol important în ghidarea producției întreprinderii, a comerțului internațional și în reglementarea economiei [1]. Bursele de mărfuri din China au acumulat, de asemenea, date bogate de piață în mulți ani de funcționare și dezvoltare.

Cercetătorii colectează, sortează și analizează datele despre tranzacții ale diferitelor mărfuri, apoi adaugă și compilează aceiași indici de mărfuri. Acești indici pot Želecta starea generală a fluctuațiilor relevante ale prețului mărfurilor și tendința de dezvoltare a economiei mărfurilor și pot ajuta instituțiile funcționale guvernamentale să înțeleagă stadiul final al macroeconomiei; în același timp, întreprinderile relevante pot folosi și informațiile despre prețul mărfurilor de orez conținute în indicele mărfurilor pentru a face propriile decizii de afaceri, aranjează în mod rezonabil cantitatea achiziționată și reduc la minimum pierderile economice inutile [2, 3].

Activitățile comerciale ocupă o poziție din ce în ce mai importantă în economia națională. Comportamentul comercial nu numai că aduce o contribuție importantă la economia națională în ceea ce privește producția, ci joacă, de asemenea, un rol important în dezvoltarea relațiilor de piață, îmbunătățirea mecanismelor pieței și rezolvarea problemei ocupării forței de muncă [4]. Astăzi, odată cu dezvoltarea înaltă a tehnologiei informației, comerțul electronic cu amănuntul, ca nou model de vânzare cu amănuntul a mărfurilor, sa dezvoltat rapid. Oamenii pot obține mii de informații despre mărfuri prin Internet și pot contacta vânzătorii de mărfuri din întreaga lume pentru tranzacții fără a ieși din casele lor [5].

Apariția comerțului electronic a facilitat foarte mult viața oamenilor, a promovat entuziasmul de consum al oamenilor și a crescut vitalitatea pieței de consum; dezvoltarea comerțului electronic cu amănuntul a condus prosperitatea pieței de afaceri. Zeci de mii de mărfuri cu amănuntul sunt afișate și vândute pe internet, ceea ce reduce costul vânzărilor de mărfuri și îmbunătățește eficiența vânzărilor. În același timp, deoarece comerțul electronic cu amănuntul se bazează pe internet, acesta are avantaje naturale în achiziția și stocarea informațiilor și a datelor. Întreprinderile obțin o cantitate mare de date prin tehnologia informației. Cum să exploatezi aceste date și să găsești legi valoroase, să ghidezi procesul de luare a deciziilor de afaceri ale întreprinderilor, să îmbunătățești modelul de vânzări, să formulezi strategii de vânzări eficiente și, în sfârșit, să obții beneficii economice din comerțul electronic. Multe întreprinderi încep să investească în direcția extragerii de date comerciale și să-și dezvolte schemele lor comerciale de extragere a datelor.

Analiza exploratorie a datelor este o etapă importantă a analizei datelor, care este diferită de analiza inițială a datelor. *Accentul analizei preliminare a datelor este pe dacă cerințele pentru identificarea modelelor și ipotezelor statistice sunt îndeplinite pentru a asigura fiabilitatea analizei de confirmare [6–8]. În acest proces de analiză, datele necalificate sunt completate cu valori lipsă, conversia datelor, eliminarea valorilor aberante și alte procesări pentru a îmbunătăți acuratețea analizei. Analiza exploratorie a datelor include analiza preliminară a datelor, dar punctul său de plecare este nu numai acela de a determina calitatea datelor, ci și de a descoperi modele de distribuție a datelor (Patten) și de a propune noi ipoteze din date. Analiza exploratorie a datelor este identificată ca un pas cheie în fluxul de lucru al științei datelor care poate afecta mai multe procese. În fluxul de lucru al științei datelor prezentat în Figura 1, analiza exploratorie a datelor este strâns legată de alte procese.

Fiecare model de bază antrenează separat variabilele de intrare ale setului de antrenament. *învățare supervizată brută, fiecare model de bază. Se stabilește o pondere pentru valoarea prezisă a setului de antrenament al fiecărui model de bază folosind o medie ponderată, iar apoi valoarea ponderii stabilite este atribuită valorii prezise a setului de testare al fiecărui model de bază [9, 10]. Înmulțirea și interceptarea valorii ponderii prognozate. Getmodel test set de valori prezise. Figura 2 prezintă fluxul de construcție și diagrama modelului. Din figură, știm că aceasta include în principal preprocesarea datelor și rezultatele predicției multiple din mai multe modele LSTM, iar rezultatele predicției sunt integrate și îmbunătățite prin ponderarea mai multor parametri.

Analizând valoarea greutății fiecărui model de bază de produse sportive, se constată că modelul de bază cu precizie de predicție mai mare este mai probabil să obțină mai multă greutate. Figura 3 este foaia de parcurs tehnologică.

2. Lucrări conexe

Predicția prețurilor se referă la comportamentul de predicție al analizei dinamice a modificărilor viitoare ale prețurilor în funcție de valoarea istorică și tendința prețului mărfurilor [11]. *Autorii din [12] au folosit modelul rețelei neuronale recurente pentru predicția vibrațiilor trenurilor de mare viteză din serii de timp și au obținut rezultate bune.

Odată cu dezvoltarea unui algoritm simplu de serie de timp, aplicarea analizei simple a seriilor de timp se extinde treptat. În prezent, algoritmul simplu de analiză a seriilor temporale a fost în prețurile agricole, predicția prețurilor mărfurilor industriale, prognoza prețului acțiunilor financiare și multe alte domenii. Are o gamă largă de aplicații, datorită faptului că este mai puțin utilizat în analiza informațiilor de date, în același timp informațiile cu eficiență scăzută. analiză la istorie, duc la prezicerea rezultatelor încă nu pot satisface nevoile dezvoltării sociale.

Starea cercetării algoritmului de prognoză a prețurilor bazat pe serii de timp simple: în funcție de periodicitatea și sezonalitatea fluctuației prețului energiei, Marcjasz și colab. [13, 14] au analizat influența sezonalității asupra schimbării viitoare a prețului puterii și au folosit modelul rețelelor neuronale NARX pentru a prezice prețul puterii, ceea ce a obținut rezultate bune. Pentru a obține rezultate bune de predicție, autorii lui [15] au proiectat o agregare de zgomot a rețelelor neuronale Graph folosind analiza componentelor principale. Wang şi colab. [16–18] a studiat prognoza pe termen scurt a prețului energiei electrice cu autoencodere cu dezgomot stivuit, a făcut cercetarea și aplicarea unui cadru hibrid de prognoză și a propus noul model hibrid pentru tehnica de descompunere în două faze a indicelui de calitate a aerului și, respectiv, mașina de învățare extremă modificată (ELM). Chong şi colab. [19, 20] au studiat rețelele de învățare profundă pentru analiza și predicția pieței de valori și, respectiv, au efectuat prețul empiric al activelor prin învățarea automată. Nilashi și colab. a prezentat abordarea analitică pentru analiza datelor sociale mari pentru luarea deciziilor clienților în hoteluri ecologice și a testat soluția propusă pe două seturi de date deschise [21]. Pe lângă lucrările de mai sus, Hoseinzade [22] a combinat modelul ANN și modelul CNN, a prezis creșterea și scăderea ShanghaiFutures în perioada cunoscută și a obținut rezultate bune de predicție. Investitorii pot lua, de asemenea, decizii de investiții cu ajutorul lui Chen și Ge [23] au explorat mecanismul de atenție în predicția privind mișcarea prețului acțiunilor din Hong Kong bazată pe LSTM. Fang şi colab. cercetarea strategiilor de investiții cantitative bazate pe deep learning[24]. Pe baza discuțiilor de mai sus, principalele contribuții ale acestei lucrări sunt rezumate după cum urmează:

(1) Ca o structură îmbunătățită a modelului RNN, modelul LSTM nu numai că moștenește caracteristicile modelului RNN potrivit pentru tratarea datelor din seria temporală, dar rezolvă și mai mult problema dependenței pe termen lung de dimensiunea timpului și îmbunătățește acuratețea predicției. Efectul său de predicție este anterior rețelei neuronale BP, RNN, CNN, GRU și alte modele de rețele neuronale.

(2) Căutarea în grilă este utilizată pentru a antrena modelul cu parametri diferiți și pentru a valida încrucișat fiecare model până când este găsită combinația optimă de valori pentru a asigura cea mai bună performanță a modelului.

(3) * modelul optimizat este verificat pe setul de testare, iar eroarea pătratică medie este utilizată ca indice de evaluare pentru a preveni supraadaptarea modelului. *Rezultatele arată că modelul realizează o eroare pătratică medie scăzută atât în ​​setul de antrenament, cât și în setul de testare și obține rezultate de predicție secundară.

3. Rețeaua LSTM

Rețeaua neuronală LSTM a fost propusă pentru prima dată de Hochreiter și colab. (1997) și extinsă în continuare după optimizarea și îmbunătățirea acesteia de către Alex Graves. În multe probleme practice legate de secvențe de date, LSTM a obținut un mare succes și a fost utilizat pe scară largă, cum ar fi procesarea limbajului natural (NLP), predicția serii de timp și așa mai departe.

Rețeaua neuronală recurentă tradițională (RNN) nu poate face față problemei secvenței pe termen lung, pentru a rezolva această problemă, rețeaua neuronală LSTM este propusă prin adăugarea unei structuri „poartă” pentru a controla starea celulei și ieșirea în momente diferite pentru a atenua problema de dispariția gradientului. Structura „poarta” a LSTM include trei tipuri: „poarta uitatoare”, „poarta de intrare” și „poarta de ieșire”. Funcția „porții uitării” este de a judeca informațiile transmise de la momentul anterior la ora curentă și de a „uita” selectiv unele informații, așa cum se arată în Figura 4. În plus, inițializarea ortogonală este propusă pentru a evita dispariția sau explozia gradientului în stadiul inițial al antrenamentului. , funcția de activare ReLU (Recti'ed Linear Unit) poate atenua dispariția gradientului, forfecarea gradientului poate rezolva explozia gradientului, iar unitatea LSTM poate controla dispariția gradientului.

LSTM a fost aplicat cu succes în traducerea automată, generarea de conversații și alte domenii, arătând o capacitate excelentă de modelare a datelor secvențe. Prin urmare, această lucrare construiește un preț de vânzare cu amănuntul al unui model de predicție a articolelor sportive bazat pe unitatea de rețea LSTM și poate folosi pe deplin caracteristica acesteia, că orice secvență de lungime poate fi utilizată ca intrare și aplicată recunoașterii datelor online. LSTM rezolvă problema că RNN nu poate gestiona dependența de lungă durată prin introducerea [25].

Fie numărul de neuroni de intrare din întregul strat ascuns să fie G, G include toate unitățile și porțile și folosiți indicele G pentru a reprezenta acești neuroni de intrare. Calculul direct al LSTM este de a calcula o secvență de intrare X cu o lungime de timp d, al cărei punct de plecare este t 1 [26, 27]. Când valoarea punctului de timp T crește continuu, ecuația va fi actualizată recursiv până la t t. Ca și calculul invers, calculul invers este o secvență de intrare X cu o lungime de timp de T, dar punctul de pornire al calculului invers este T T. Când valoarea lui T scade continuu, reciprocul unității este calculat recursiv până la 1 1. Conform derivatelor la fiecare punct de timp de mai sus, putem obține valoarea derivată a ponderii finale.

unde Wf ​​și bf reprezintă greutatea și, respectiv, părtinirea porții uitarii, în timp ce σ reprezintă funcția Sigmoid.

4. Prelucrarea datelor și Explora

pe*Principalul punct de inovație al acestei lucrări este de a îmbunătăți modelul LSTM convențional și de a-l aplica pentru a estima prețul cu amănuntul al produselor sportive, așa că îl comparăm în principal cu modelul LSTM convențional. În al doilea rând, deoarece seturile de date reale sunt prețioase și greu de obținut, această lucrare folosește un singur set de date pentru experimentul de simulare. Deoarece calitatea datelor afectează formarea modelului selectat, colectarea, analiza și procesarea datelor sunt etapele cheie înainte de formarea modelului. *Datele din această lucrare includ în principal două părți: obiectul de cercetare și datele caracteristice.

Prețul general al mărfurilor de prognoză se concentrează pe prețul mărfurilor sportive. Utilizați Python pentru a efectua analize statistice descriptive ale diferitelor mărfuri sportive și pentru a trasa graficele prețurilor de închidere ale acestora [31, 32], așa cum se arată în Figura 5. *distribuția electronică este înclinată spre dreapta, vârfurile sunt mai mici decât 3, forma cozii este subțire, și nu respectă distribuția normală.

n.4.1. Reducerea zgomotului de date. Deoarece dinamica pieței este foarte complexă, aceste date conțin zgomote rare, astfel încât biblioteca din Python este utilizată pentru transformarea wavelet pentru a elimina zgomotele de date [33]. Este demn de remarcat faptul că modelul convențional de schimbare a wavelet este utilizat în această lucrare. Moștenește și dezvoltă ideea de localizare a transformării Fourier de scurtă durată și depășește deficiențele ca dimensiunea ferestrei să nu se schimbe cu frecvența. Poate oferi o fereastră de schimbare „frecvență-timp” cu frecvența, care este un instrument ideal pentru analiza timp-frecvență și procesarea semnalelor. *Prin urmare, este potrivit în special pentru eliminarea zgomotului din datele financiare. Figurile 6 și 7 sunt comparații înainte și după transformarea undei.

n. După finalizarea antrenamentului rețelei neuronale LSTM, rezultatele predicției și valorile MSE corespunzătoare ale modelului 1 și, respectiv, modelului 2 sunt prezentate, așa cum se arată în figura 8, iar rezultatele predicției modelului 1 și modelului 2 sunt prezentate în figura 9.

9.*Ideea de bază a antrenamentului de model este de a potrivi un set de sisteme de reguli pe setul de date de antrenament pentru a dezvălui regulile din date. Cu alte cuvinte, potrivirea descrie cât de bine sau cât de bine poate fi generalizat modelul la date. în setul de testare Un model bun are ca rezultat o performanță bună a modelului și poate fi validat cu date noi în afara setului de date de antrenament, adică date din afara eșantionului. Pe lângă parametrii care pot fi învățați, diferite modele necesită hiperparametri diferiți, care sunt parametri care nu trebuie antrenați.

Parametrii sunt critici pentru model și depind de datele de antrenament. Ca parte a procesului de antrenament, modelul LSTM este în continuare ajustat și optimizat pentru a obține un efect de predicție mai bun prin învățarea parametrilor din datele de antrenament prin tehnici de optimizare [34–37].

Procesul cercetării economice este, în general, de a explica fenomenele economice prin construirea de modele economice. Când fenomenele economice general acceptate sunt confirmate de savanți, ele trebuie enumerate sub forma unor fapte tipice. În cercetările ulterioare, dacă soluția modelului în starea de echilibru general este în concordanță cu faptele tipice, se poate explica că modelul este mai rezonabil în mare măsură. În studiul „problemelor financiare, în special în studiul „seriilor de rentabilitate financiară în timp”, pot fi adesea observate unele caracteristici statistice comune. Conform faptelor tipice ale cercetătorilor din seriale univariate, acestea sunt rezumate după cum urmează: ele prezintă adesea autocorelație; Adesea arată o memorie lungă; e decaderea lentă a autocorelației cu randament absolut; distribuția de vârf a cozii groase; forma distribuției se modifică în timp; e‡ectul de agregare a undelor; după ajustarea agregării Žactuației, există încă o coadă groasă condiționată e‡ etc. În ipoteza unei distribuții independente și identice, performanța modelului de serie temporală financiară „testată” nu este adesea optimă, astfel încât caracteristicile de distribuție ale datelor trebuie luate în considerare. atunci când modelați seria de venituri. Când modelul rețelei neuronale este utilizat pentru modelarea datelor, ipoteza distribuției nu trebuie luată în considerare. se datorează faptului că modelul rețelei neuronale poate generaliza structura datelor de intrare, astfel încât caracteristicile neliniare ale datelor financiare să poată fi captate de rețeaua neuronală.

Grid Search este o metodă de antrenare sistematică a unui model, folosind diferite combinații de valori hiperparametrice pentru a antrena modelul, validând încrucișat fiecare model până când se găsește combinația optimă de valori pentru a asigura cea mai bună performanță a modelului. Prin parametrii de testare continuă a tuturor combinațiilor, un grup și combinația cea mai potrivită de parametrii de super-configurație va fi discretizarea, super-parametrii în funcție de caracteristicile lor pentru a selecta mai multe valori de experiență și apoi în funcție de diferite combinații ale modelului de antrenament, pentru a selecta o combinație optimă de configurație, circumstanțele de mai puțin potrivite pentru super parametri. Căutarea aleatorie este să combinați aleatoriu hiperparametrii și apoi să selectați configurația optimă. Nu face încercări inutile asupra parametrilor neimportanti deoarece, așa cum coeficienții de regularizare au un impact limitat asupra performanței modelului, ratele de învățare au un impact mai mare asupra performanței modelului, deci nu face încercări inutile. Căutările aleatorii sunt în general mai eficiente și mai ușor de implementat decât căutările pe grilă. Cu toate acestea, aceste două metode nu iau în considerare dacă există o corelație între hiperparametri, deci sunt relativ ineficiente. Optimizarea bayesiană este o metodă de optimizare adaptivă a hiperparametrilor, care prezice următoarea combinație posibilă de hiperparametri pe baza combinației de hiperparametri testate pentru a obține utilitatea maximă. Deoarece funcția de distribuție cumulată a distribuției Gaussiene este o funcție de tip s, funcția GELU poate fi aproximată prin funcția tanh sau funcția Logistică, așa cum se arată în Figura 10.

Cea mai simplă strategie este de a „xa rata de învățare pe tot parcursul procesului de formare”. Alegerea unei rate de învățare mai mică permite optimizatorului să găsească o soluție bună, dar este ușor să limiteze rata de convergență. Relația dintre cele două poate fi echilibrată luând timp pentru a modifica rata de învățare. Figura 11 arată rata de învățare pentru fiecare perioadă.

După multe ajustări și optimizare, rezultatele predicției înainte și după îmbunătățire sunt prezentate în figurile 12 și, respectiv, 13. Structura finală a modelului și parametrii obținuți sunt după cum urmează: lungimea secvențială a ferestrei de testare este de 55, iar modelul secvențial constă din trei straturi LSTM, numărul de neuroni din fiecare strat fiind 100, 100 și 150, respectiv. Pentru a evita supraajustarea, se adaugă două straturi Dropout cu stratul Dropout de 0,2, iar dimensiunea datelor de intrare este 5. Stratul dens a fost adăugat pentru a-și agrega dimensiunea în 1, funcția de activare a fost liniară, iar funcția de pierdere a fost setată ca medie. Eroare pătrată (MSE). Adam a fost folosit ca algoritm de optimizare și două epoci au fost folosite ca model. Fiecare lot are dimensiunea de 32.

Modelul convențional de prognoză a prețurilor este, de asemenea, un model de deeplearning. În primul rând, este construit un model convențional de predicție a prețurilor; adică, modelul conține doar date de piață și „date financiare”. Datele anterioare ale pieței și datele financiare sunt utilizate pentru a instrui modelul de deep learning pentru a obține modelul de deep learning instruit pentru a prezice viitoarea piață; Tehnologia brută de procesare a limbajului natural, extragerea informațiilor emoționale și evaluarea emoțională sunt efectuate pe baza datelor opiniei publice. În combinație cu modelul convențional de predicție a prețurilor, modelul de învățare aprofundată este solicitat prin utilizarea datelor de piață, a „datelor financiare, a rapoartelor de cercetare și a datelor despre tendințele emoționale ale „știrilor financiare”, iar modelul este utilizat pentru a prezice viitoarea piață. ro, efectul de predicție al modelului convențional de predicție a prețului valorilor mobiliare este comparat cu cel al modelului de învățare profundă bazat pe rezultatele prelucrării limbajului natural a datelor opiniei publice.

După determinarea numărului de noduri de intrare, de ieșire și de noduri de strat ascunse ale celor două modele LSTMnetwork, modelul de învățare profundă poate fi antrenat. După multe experimente, se constată că timpii de antrenament sunt prea puțini, iar eroarea de antrenament a modelului este prea mare, deci este necesar să se mărească în mod continuu timpii de antrenament, dar odată cu creșterea timpilor de antrenament; eroarea de formare a modelului tinde treptat spre o valoare stabilă. Dacă timpii de antrenament ai modelului cresc mult în acest moment, modelul e‡, etc. nu se îmbunătățește mult. Este rezultatul antrenamentului „modelului de odihnă al lui C. Când timpii de antrenament sunt mai mici de 200, eroarea modelului este mare. În acest moment, creșterea timpilor de antrenament va reduce rapid eroarea antrenării modelului; Când timpul de antrenament este mai mare de 200 de ori și mai mic de 1000 de ori, eroarea modelului a fost mică. În acest moment, când timpii de antrenament sunt măriți, gradul de reducere al erorii de antrenament a modelului a arătat o lege în scădere; Când se antrenează de 1000 până la 2000 de ori, eroarea modelului se schimbă pe o zonă mică și efectul creșterii numărului de timpi de antrenament nu sunt treptat evidente. Aproximativ multe teste și comparații, se constată că atunci când numărul de timpi de antrenament al modelului este de aproximativ 2000 de ori, acesta poate îndeplini cerințele de precizie ale antrenamentului. Dacă numărul de timpi de antrenament este crescut, efectul îmbunătățirii erorii de antrenament a modelului este mic. Mai mult, este nevoie de mult timp pentru a antrena modelul pe computer, deci este puțin important să creșteți prea mult timpii de antrenament. Prin urmare, am stabilit timpii de antrenament ai modelului de învățare aprofundată în acest studiu la 2000 de ori. În ultimul model, verificăm, de asemenea, că acesta este conform acestei legi. Prin urmare, cel de-al doilea model de învățare aprofundată cu date de informare a opiniei publice a stabilit, de asemenea, timpul de instruire la 2000 de ori.

5. Concluzie

(1) Această lucrare aplică teoria învățării profunde, bazată pe caracteristicile datelor din seria temporală financiară, utilizează modelul rețelei neuronale LSTM pentru a prezice indicele prețurilor mărfurilor sportive și compară rezultatele predicției cu rezultatele predicției folosind modelul de rețea. Rezultatele experimentale arată că modelul rețelei neuronale LSTM are cea mai bună performanță pe setul de teste.

(2) Se stabilește un model de predicție. Pe baza ingineriei caracteristicilor de date colectate, este stabilit un model de predicție a rețelei neuronale bazat pe memorie pe termen lung și scurt, iar modelul este antrenat cu un set de antrenament pentru a prezice prețul articolelor sportive. Intervalele de optimizare a modelului, numărul de neuroni din strat ascuns, rata de învățare, dimensiunea lotului și roata de antrenament au fost ajustate pentru a obține cele mai bune rezultate de antrenament.

(3) În acest model de predicție a tendinței prețurilor mărfurilor sportive, diferite date despre prețurile sporturilor vor avea influențe diferite asupra efectului de predicție, astfel încât selecția setului de date este, de asemenea, foarte importantă.

Deși modelul propus în această lucrare obține rezultate bune de predicție, modelul nu ia în considerare corelarea timpului datelor. Unele instrumente de fereastră de timp de alunecare pot fi utilizate în studii viitoare pentru a îmbunătăți dimensiunea pasului de predicție și acuratețea predicției a modelului.

Disponibilitatea datelor

Datele utilizate pentru a susține concluziile acestui studiu sunt disponibile de la autor la cerere.

Conflicte de interes

Theautorul declară că nu există conflicte de interese.

Referințe

[1] J. Wang, R. Hou și C. Wang, „Model de regresie vectorială de suport îmbunătățit bazat pe selecția variabilelor și optimizarea brainstorm pentru prognoza prețului acțiunilor”, Applied Soft Computing, vol. 49, nr. 2, p. 164–178, 2016.

[2] M. Dixon, D. Klabjan și J. Hoon Bang, „C1assificationbased financial markets prediction using deep neuronal networks”, Algorithmic Finance, vol. 6, nr. 3-4, pp. 67–77, 2017.

[3] K. Chen, Y. Zhou și FY Dai, „An LSTM-based method forstock returns prediction: a case study of China stock market”, în Proceedings of the 2015 IEEE International Conference onBig Data, vol. 123, nr. 12, pp. 2823-2824, Santa Clara, CA, SUA, 2015.

[4] AE Clements și N. Todorova, „Fluxul de informații, activitatea de tranzacționare și volatilitatea futures pe mărfuri”, Journal of FuturesMarkets, vol. 36, nr. 1, p. 88–104, 2016.

[5] L. Xuewei și L. Xueyan, „Datele mari și tehnologia cheie în viitor”, Computing in Science & Engineering, vol. 20, nr. 4, pp. 75–88, 2018.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic și F. Kaleem, „Predicția întreruperii bazată pe vreme în rețeaua inteligentă utilizând date cronologice”, Journal of ModernPower Systems and Clean Energy, voi. 4, nr. 2, p. 308–315,2016.

[7] X. Zhang, J. Wang și Y. Gao, „Un cadru hibrid de prognoză a prețului energiei electrice pe termen scurt: selecție de caracteristici bazată pe căutarea cucului cu analiză singulară a spectrului și SVM,”Energy Economics, vol. 81, nr. 6, p. 16–23, 2019.

[8] G. Osorio, M. Lotfi, VMA Campos și M. Khan, „Model de prognoză hibrid pentru prețurile pieței de energie electrică pe termen scurt cu integrare din surse regenerabile”, Sustainability, vol. 11, nr. 1, pp. 1–15, 2018.

[9] A. Bello, DW Bunn și J. Reneses, „Medium-Termprobabilistic forecasting of electricity price: a hybrid approach”, IEEE Transactions on Power Systems, vol. 16, nr. 2, pp. 1–6, 2016.

[10] A. Bello, J. Reneses, A. Muñoz și A. Delgadillo, „Probabilistic forecasting of hourly electricity price in the medium term using spatial interpolation techniques”, InternationalJournal of Forecasting, voi. 32, nr. 3, p. 966–980, 2016.

[11] P. Kou, D. Liang, L. Gao și J. Lou, „Probabilistic electricityprice forecasting with variational heteroscedastic Gaussianprocess and active learning”, Energy Conversion and Management, voi. 89, p. 298–308, 2015.

For more information:1950477648nn@gmail.com