Voorspelling van de verkoopprijs van sportartikelen op basis van het LSTM-netwerk

Grondstoffenprijzen spelen een unieke rol als hefboom om de economie te reguleren. Prijsvoorspelling is een belangrijk onderdeel van macro-besluitvorming en micromanagement. Omdat er veel factoren zijn die de prijs van goederen beïnvloeden, is prijsvoorspelling een lastige opgave geworden in onderzoek. Omdat prijsgegevens ook door andere factoren worden beïnvloed, behalve tijdreeksen, wordt een multifactoriële LSTM-prijsvoorspellingsmethode voorgesteld op basis van het deeplearning-algoritme voor het langetermijn- en kortetermijngeheugennetwerk (LSTM).

Tijdvolgorde en geheugen zijn onlosmakelijk met elkaar verbonden. Tijdreeksen zijn een regelmatige weergave van de tijdsontwikkeling, en geheugen is een van de belangrijkste menselijke vermogens. Het kan ons helpen ervaringen uit het verleden te herinneren, toekomstige trends te voorspellen en correcte beslissingen te nemen.

Tijdreeksen kunnen ons helpen veranderingen en trends in het milieu beter te begrijpen, wat cruciaal is voor ons om correcte beslissingen te nemen en plannen te maken voor de toekomst. Door de regelmaat van tijdreeksen kunnen we bij het analyseren van enkele belangrijke tijdreeksen vooraf de ontwikkelingsrichting van een gebeurtenis of trend voorspellen. Deze voorspellingen kunnen ons helpen plannen beter te plannen en dus gerichter beslissingen te nemen.

Tegelijkertijd is het geheugen ook erg belangrijk. Ons geheugen helpt ons gebeurtenissen uit het verleden te herinneren, inclusief successen en mislukkingen uit het verleden. Wanneer we soortgelijke situaties tegenkomen, kunnen we correctere beslissingen nemen door ervaringen uit het verleden in herinnering te brengen. Bovendien kan geheugen ons helpen toekomstige trends te voorspellen. Door vergelijkbare gebeurtenissen te vergelijken, kunnen we de ontwikkelingspatronen van gebeurtenissen beter begrijpen en toekomstige ontwikkelingen voorspellen.

Daarom kan de combinatie van tijdreeksen en geheugen ons helpen veranderingen in de omgeving en trends beter te begrijpen, en toekomstige ontwikkelingsrichtingen nauwkeuriger te voorspellen. Ze kunnen ons helpen betere plannen te maken voor de toekomst en nauwkeurige beslissingen te nemen. Tegelijkertijd speelt het ook een zeer belangrijke rol in onze persoonlijke groei en ontwikkeling. We moeten het leren en begrijpen van tijdvolgorde en geheugen versterken. Het is duidelijk dat we ons geheugen moeten verbeteren. Cistanche deserticola kan het geheugen aanzienlijk verbeteren, omdat Cistanche deserticola ook de balans van neurotransmitters kan reguleren, zoals het verhogen van de niveaus van acetylcholine en groeifactoren. Deze stoffen zijn essentieel voor het geheugen en het leren. Bovendien kan vlees ook de bloedstroom verbeteren en de zuurstoftoevoer bevorderen, wat ervoor kan zorgen dat de hersenen voldoende voedingsstoffen en energie krijgen, waardoor de vitaliteit en het uithoudingsvermogen van de hersenen worden verbeterd.

Klik op manieren kennen om de hersenfunctie te verbeteren

Deze methode maakt niet alleen gebruik van het geheugen van LSTM voor historische gegevens, maar introduceert ook de invloed van externe factoren op de prijs via de volledige verbindingslaag, wat een nieuw idee oplevert voor het oplossen van het probleem van prijsvoorspelling. Vergeleken met het neurale netwerk van BP is het Uit experimentele resultaten blijkt dat deze methode een hogere nauwkeurigheid en betere stabiliteit heeft. Analyseer de beschrijving van de grondstoffen en de kenmerken van de grondstoffenprijzen, zoek de grondstoffen op die vergelijkbaar zijn met de doelgrondstof, voltooi de gegevens over de grondstoffenprijzen door gebruik te maken van de historische prijsgegevens van vergelijkbare grondstoffen, en stel de training vast ingesteld om de geldigheid van de voorgestelde methode te verifiëren.

1. Inleiding

De marktschaal van de grondstoffenmarkt breidt zich met de dag uit, de handelsvariëteiten worden rijker en rijker, en het handelsmechanisme wordt steeds meer gestandaardiseerd. Sinds de ontwikkeling van de grondstoffenmarkt is deze een belangrijke 'financiële deelmarkt' geworden. De verspreiding van prijssignalen op de markt speelt een belangrijke rol bij het sturen van de bedrijfsproductie, de internationale handel en het reguleren van de economie [1]. De Chinese grondstoffenbeurzen hebben in de loop van vele jaren van exploitatie en ontwikkeling ook rijke marktgegevens verzameld.

Onderzoekers verzamelen, sorteren en analyseren de transactiegegevens van verschillende grondstoffen en voegen vervolgens dezelfde grondstoffenindexen toe en stellen deze samen. Deze indexen kunnen de algehele staat van relevante schommelingen van de grondstoffenprijzen en de ontwikkelingstrend van de grondstoffeneconomie beïnvloeden en functionele overheidsinstellingen helpen de staarttoestand van de macro-economie te begrijpen; tegelijkertijd kunnen relevante ondernemingen ook de informatie over de rijstgrondstoffenprijzen in de grondstoffenindex gebruiken om hun eigen zakelijke beslissingen nemen, de gekochte hoeveelheid redelijk regelen en onnodige economische verliezen minimaliseren [2, 3].

Commerciële activiteiten nemen een steeds belangrijkere plaats in in de nationale economie. Commercieel gedrag levert niet alleen een belangrijke bijdrage aan de nationale economie in termen van productie, maar speelt ook een belangrijke rol bij het bevorderen van marktrelaties, het verbeteren van marktmechanismen en het oplossen van het probleem van de werkgelegenheid [4]. Tegenwoordig heeft de elektronische detailhandel, als nieuw verkoopmodel voor detailhandelsartikelen, zich snel ontwikkeld dankzij de hoge ontwikkeling van de informatietechnologie. Mensen kunnen via het internet duizenden grondstoffeninformatie verkrijgen en contact opnemen met grondstoffenverkopers over de hele wereld voor transacties zonder dat ze hun huis hoeven te verlaten [5].

De opkomst van de elektronische handel heeft het leven van mensen enorm vergemakkelijkt, het enthousiasme voor consumptie bevorderd en de vitaliteit van de consumentenmarkt vergroot; De ontwikkeling van de e-detailhandel heeft de welvaart van de zakelijke markt gestimuleerd. Tienduizenden detailhandelsartikelen worden op internet getoond en verkocht, waardoor de kosten van de verkoop van grondstoffen worden verlaagd en de efficiëntie van de verkoop wordt verbeterd. Tegelijkertijd heeft de e-retailhandel, omdat deze afhankelijk is van internet, natuurlijke voordelen bij het verwerven en opslaan van informatie en gegevens. Bedrijven verkrijgen een grote hoeveelheid gegevens via informatietechnologie. Hoe deze gegevens te ontginnen en waardevolle wetten te vinden, om de zakelijke besluitvorming van ondernemingen te begeleiden, het verkoopmodel te verbeteren, effectieve verkoopstrategieën te formuleren en uiteindelijk economische voordelen uit e-commerce te verkrijgen. Veel ondernemingen beginnen te investeren in de richting van commerciële datamining en ontwikkelen hun commerciële dataminingprogramma's.

Verkennende data-analyse is een belangrijke fase van data-analyse, die verschilt van de initiële data-analyse. *De focus van de voorlopige gegevensanalyse ligt op de vraag of aan de vereisten voor het identificeren van statistische modellen en hypothesen wordt voldaan om de betrouwbaarheid van de bevestigende analyse te garanderen [6–8]. In dit analyseproces worden de ongekwalificeerde gegevens gevuld met ontbrekende waarden, gegevensconversie, het weggooien van uitschieters en andere verwerkingen om de nauwkeurigheid van de analyse te vergroten. Verkennende data-analyse omvat voorlopige data-analyse, maar het uitgangspunt is niet alleen het bepalen van de datakwaliteit, maar ook het ontdekken van patronen in de datadistributie (Patten) en het voorstellen van nieuwe hypothesen op basis van de data. Verkennende data-analyse wordt gezien als een belangrijke stap in de data science-workflow die meerdere processen kan beïnvloeden. In de datawetenschapsworkflow die in figuur 1 wordt weergegeven, is verkennende data-analyse nauw verwant aan andere processen.

Elk basismodel traint de invoervariabelen van de trainingsset afzonderlijk. *ruw begeleid leren, elk basismodel. Er wordt een gewicht vastgesteld voor de voorspelde waarde van de trainingsset van elk basismodel met behulp van een gewogen gemiddelde, en vervolgens wordt de vastgestelde gewichtswaarde toegewezen aan de voorspelde waarde van de testset van elk basismodel [9, 10]. Vermenigvuldiging en onderschepping van de voorspelde gewichtswaarde Getmodel-testset met voorspelde waarden. Figuur 2 toont de constructiestroom en het diagram van het model. Uit de figuur weten we dat het voornamelijk de voorverwerking van gegevens omvat, en de meervoudige voorspellingsresultaten van meerdere LSTM-modellen, en dat de voorspellingsresultaten worden geïntegreerd en verbeterd door meerdere parameters te wegen.

Door de gewichtswaarde van elk basismodel van sportproducten te analyseren, is gebleken dat het basismodel met een hogere voorspellingsnauwkeurigheid waarschijnlijk meer gewicht zal krijgen. Figuur 3 is de technologische routekaart.

2. Gerelateerd werk

Prijsvoorspelling verwijst naar het voorspellingsgedrag van dynamische analyse van toekomstige prijsveranderingen volgens de historische waarde en prijstrend van grondstoffen [11]. *e auteurs van [12] gebruikten het recurrente neurale netwerkmodel voor het voorspellen van trillingen van hogesnelheidstreinen op basis van tijdreeksen en behaalden goede resultaten.

Met de ontwikkeling van een eenvoudig tijdreeksalgoritme breidt de toepassing van eenvoudige tijdreeksanalyse zich geleidelijk uit. Op dit moment wordt een eenvoudig algoritme voor tijdreeksanalyse gebruikt in landbouwprijzen, het voorspellen van industriële grondstoffenprijzen, het voorspellen van financiële aandelenkoersen en vele andere terreinen. Het heeft een breed scala aan toepassingen, omdat het minder wordt gebruikt bij de analyse van data-informatie en tegelijkertijd de laageffectieve informatie analyse van de geschiedenis leidt tot het voorspellen van de resultaten en kan nog steeds niet voldoen aan de behoeften van sociale ontwikkeling.

Onderzoeksstatus van prijsvoorspellingsalgoritme gebaseerd op eenvoudige tijdreeksen: volgens de periodiciteit en seizoensinvloeden van fluctuaties in de stroomprijzen, Marcjasz et al. [13, 14] analyseerden de invloed van seizoensinvloeden op toekomstige veranderingen in de energieprijzen en gebruikten het NARX neurale netwerkmodel om de energieprijzen te voorspellen, wat goede resultaten opleverde. Om goede voorspellingsresultaten te verkrijgen, hebben de auteurs van [15] een Denoising Aggregation of Graph neurale netwerken ontworpen met behulp van de hoofdcomponentenanalyse. Wang et al. [16–18]hebben de voorspelling van de elektriciteitsprijs op de korte termijn bestudeerd met gestapelde ruisonderdrukkende auto-encoders, hebben onderzoek gedaan naar en toegepast op een hybride voorspellingsraamwerk en hebben het nieuwe hybride model voorgesteld voor respectievelijk de tweefasige ontbindingstechniek van de luchtkwaliteitsindex en de gemodificeerde extreme leermachine (ELM). Chong et al. [19, 20] bestudeerden de deep learning-netwerken voor aandelenmarktanalyse en -voorspelling en voerden de empirische activaprijzen uit via machine learning. Nilashi et al. presenteerde een analytische aanpak voor de analyse van grote sociale data voor de besluitvorming van klanten in milieuvriendelijke hotels en testte de voorgestelde oplossing op twee open datasets [21]. Naast de bovengenoemde werken combineerde Hoseinzade [22] het ANN-model en het CNN-model, voorspelde hij de opkomst en ondergang van Shanghai Futures in de bekende periode en behaalde goede voorspellingsresultaten. Beleggers kunnen ook investeringsbeslissingen nemen met de hulp van Chen en Ge [23] die het aandachtsmechanisme onderzochten in op LSTM gebaseerde voorspellingen van de aandelenkoersen in Hong Kong. Fang et al. onderzoek kwantitatieve investeringsstrategieën gebaseerd op deep learning[24]. Op basis van de hierboven gegeven discussies kunnen de belangrijkste bijdragen van dit artikel als volgt worden samengevat:

(1) Als een verbeterde structuur van het RNN-model erft het LSTM-model niet alleen de kenmerken van het RNN-model die geschikt zijn voor het omgaan met tijdreeksgegevens, maar lost het ook het probleem van een langdurige afhankelijkheid van de tijdsdimensie verder op en verbetert het de nauwkeurigheid van de voorspelling. Het voorspellingseffect is superieur aan het BP-neurale netwerk, RNN, CNN, GRU en andere neurale netwerkmodellen.

(2) Grid Search wordt gebruikt om het model te trainen met verschillende parameters en elk model te kruisvalideren totdat de optimale combinatie van waarden is gevonden om de beste modelprestaties te garanderen.

(3) *Het geoptimaliseerde model wordt geverifieerd op de testset, en de gemiddelde kwadratische fout wordt gebruikt als evaluatie-index om te voorkomen dat het model overfitting krijgt. *e resultaten laten zien dat het model een lage gemiddelde kwadratische fout behaalt in zowel de trainingsset als de testset, en sideale voorspellingsresultaten verkrijgt.

3. LSTM-netwerk

Het LSTM-neurale netwerk werd voor het eerst voorgesteld door Hochreiter et al. (1997) en verder uitgebreid na de optimalisatie en verbetering ervan door Alex Graves. Bij veel praktische problemen met betrekking tot sequentiegegevens heeft LSTM grote successen geboekt en wordt het op grote schaal gebruikt, zoals bij natuurlijke taalverwerking (NLP), tijdreeksvoorspelling, enzovoort.

Het traditionele terugkerende neurale netwerk (RNN) kan het langetermijnsequentieprobleem niet oplossen. Om dit probleem op te lossen wordt het LSTM neurale netwerk voorgesteld door een "poort"-structuur toe te voegen om de celstatus en -uitvoer op verschillende tijdstippen te controleren om het probleem van gradiënt verdwijnen. De "poort" -structuur van LSTM omvat drie typen: "vergeetpoort", "invoerpoort" en "uitvoerpoort". De functie van de "vergeetpoort" is het beoordelen van de informatie die van de vorige tijd naar de huidige tijd is verzonden en het selectief "vergeten" van bepaalde informatie, zoals weergegeven in figuur 4. Bovendien wordt de orthogonale initialisatie voorgesteld om het verdwijnen of exploderen van de gradiënt in de beginfase van de training te voorkomen. De ReLU-activeringsfunctie (Recti'ed Linear Unit) kan het verdwijnen van de gradiënt verminderen, gradiëntafschuiving kan een gradiëntexplosie oplossen, en de LSTM-eenheid kan het verdwijnen van de gradiënt controleren.

LSTM is met succes toegepast in machinevertalingen, het genereren van gesprekken en andere terreinen, waarbij uitstekende modelleringsmogelijkheden van sequentiegegevens zijn gebleken. Daarom bouwt dit artikel een verkoopprijs op van een voorspellingsmodel voor sportartikelen, gebaseerd op de LSTM-netwerkeenheid, en kan volledig gebruik maken van de eigenschap ervan dat reeksen van elke lengte als invoer kunnen worden gebruikt en kunnen worden toegepast op online gegevensherkenning. LSTM lost het probleem op dat RNN langdurige afhankelijkheid niet aankan door de introductie van [25].

Stel dat het aantal invoerneuronen in de hele verborgen laag G is, G omvat alle eenheden en poorten, en gebruik index G om deze invoerneuronen weer te geven. De voorwaartse berekening van LSTM is het berekenen van een invoerreeks X met een tijdsduur d, waarvan het startpunt t 1 is [26, 27]. Wanneer de waarde van tijdstip T continu toeneemt, wordt de vergelijking recursief bijgewerkt tot tt. Net als voorwaartse berekening is achterwaartse berekening een invoerreeks X met een tijdsduur van T, maar het startpunt van omgekeerde berekening is TT. Wanneer de waarde van T continu afneemt, wordt het omgekeerde van de eenheid recursief berekend tot 1 1. Volgens de afgeleiden op elk tijdstip hierboven kunnen we de uiteindelijke gewichtsafgeleide waarde verkrijgen.

waarbij Wf en bf respectievelijk het gewicht en de bias van de vergeetpoort vertegenwoordigen, terwijl σ de sigmoïdefunctie vertegenwoordigt.

4. Gegevensverwerking en Explora

over*Het belangrijkste innovatiepunt van dit artikel is het verbeteren van het conventionele LSTM-model en het toepassen ervan om de verkoopprijs van sportproducten te voorspellen, dus vergelijken we het voornamelijk met het conventionele LSTM-model. Ten tweede, omdat echte datasets kostbaar en moeilijk te verkrijgen zijn, gebruikt dit artikel slechts één dataset voor het simulatie-experiment. Omdat de kwaliteit van de gegevens van invloed is op de training van het geselecteerde model, zijn het verzamelen, analyseren en verwerken van de gegevens de belangrijkste fasen vóór de modeltraining. *De gegevens in dit artikel bestaan ​​hoofdzakelijk uit twee delen: het onderzoeksobject en de karakteristieke gegevens.

De algemene voorspelling van de grondstoffenprijzen richt zich op de prijzen van sportartikelen. Gebruik Python om beschrijvende statistische analyses uit te voeren van verschillende sportartikelen en hun slotkoersgrafieken te tekenen [31, 32], zoals weergegeven in figuur 5. *e-distributie is scheef naar rechts, de pieken zijn kleiner dan 3, de staartvorm is dun, en gehoorzaamt niet aan de normale verdeling.

nr.4.1. Gegevensruisreductie. Omdat de marktdynamiek zeer complex is, bevatten deze gegevens onregelmatige ruis. Daarom wordt de bibliotheek in Python gebruikt voor wavelet-transformatie om dataruis te verwijderen [33]. Het is vermeldenswaard dat in dit artikel het conventionele waveletchange-model wordt gebruikt. Het erft en ontwikkelt het idee van lokalisatie van Fourier-transformaties met een korte tijd en overwint de tekortkomingen van de venstergrootte die niet verandert met de frequentie. Het kan een "tijd-frequentie"-venster bieden dat verandert met de frequentie, wat een ideaal hulpmiddel is voor tijd-frequentie-analyse en verwerking van signalen. *Daarom is het vooral geschikt voor het verwijderen van ruis in financiële gegevens. Figuren 6 en 7 zijn de vergelijkingen vóór en na de wavelettransformatie.

n. Nadat de LSTM-neurale netwerktraining is voltooid, worden de voorspellingsresultaten en overeenkomstige MSE-waarden van respectievelijk Model 1 en Model 2 gegeven, zoals weergegeven in figuur 8, en worden de voorspellingsresultaten van Model 1 en Model 2 weergegeven in Figuur 9.

9.*Het basisidee van modeltraining is het passen van een set regelssystemen op de trainingsgegevensset om de regels in de gegevens zichtbaar te maken. Met andere woorden, de pasvorm beschrijft hoe goed, of hoe goed, het model kan worden gegeneraliseerd naar de gegevens in de testset Een goed model resulteert in goede modelprestaties en kan worden gevalideerd met nieuwe gegevens buiten de trainingsgegevensset, dat wil zeggen gegevens buiten de steekproef. Naast parameters die kunnen worden geleerd, vereisen verschillende modellen verschillende hyperparameters, dit zijn parameters die niet hoeven te worden getraind.

Parameters zijn van cruciaal belang voor het model en zijn afhankelijk van trainingsgegevens. Als onderdeel van het trainingsproces wordt het LSTM-model verder aangepast en geoptimaliseerd om een ​​beter voorspellend effect te verkrijgen door parameters te leren uit trainingsgegevens via optimalisatietechnieken [34-37].

Het proces van economisch onderzoek is doorgaans gericht op het verklaren van economische verschijnselen door het construeren van economische modellen. Wanneer algemeen aanvaarde economische verschijnselen door wetenschappers worden bevestigd, moeten ze in de vorm van typische feiten worden opgesomd. Als de oplossing van het model in de algemene evenwichtstoestand consistent is met de typische feiten, kan dit in het vervolgonderzoek verklaren dat het model in grote mate redelijker is. Bij de studie van financiële problemen, vooral bij de studie van financiële tijdreeksen, kunnen vaak enkele gemeenschappelijke statistische kenmerken worden waargenomen. Volgens de typische feiten van geleerden over univariate rendementsreeksen worden deze als volgt samengevat: ze vertonen vaak autocorrelatie; Het getuigt vaak van een lang geheugen; het langzame verval van de autocorrelatie met absoluut rendement; piek dikke staartverdeling; de vorm van de distributie verandert met de tijd; golfaggregatie-effect; na het aanpassen van de aggregatie van de actuaties is er nog steeds sprake van een conditionele dikke staart e‡, etc. Onder de aanname van een onafhankelijke en identieke distributie zijn de prestaties van het 'geteste' financiële tijdreeksmodel vaak niet optimaal, zodat er rekening moet worden gehouden met de distributiekarakteristieken van de gegevens. bij het modelleren van de inkomensreeksen. Wanneer het neurale netwerkmodel wordt gebruikt om de gegevens te modelleren, hoeft er geen rekening te worden gehouden met de aanname van distributie. komt doordat het neurale netwerkmodel de structuur van invoergegevens kan generaliseren, zodat de online kenmerken van 'financiële gegevens' door het neurale netwerk kunnen worden vastgelegd.

Grid Search is een methode voor het systematisch trainen van een model, waarbij verschillende combinaties van hyperparameterwaarden worden gebruikt om het model te trainen, waarbij elk model kruiselings wordt gevalideerd totdat de optimale combinatie van waarden wordt gevonden om de beste modelprestaties te garanderen. Door continu parameters van alle combinaties te testen, zal een groep en de meest geschikte combinatie van superconfiguratieparameters discretisatie zijn, superparameters op basis van hun kenmerken om verschillende ervaringswaarden te selecteren, en vervolgens volgens verschillende combinaties van het trainingsmodel, om een ​​optimale combinatie van te selecteren configuratie, de omstandigheden zijn minder geschikt voor superparameters. Willekeurig zoeken is het willekeurig combineren van hyperparameters en vervolgens het selecteren van de optimale configuratie. Het doet geen onnodige pogingen op onbelangrijke parameters, omdat, net zoals regularisatiecoëfficiënten een beperkte impact hebben op de modelprestaties, leersnelheden een grotere impact hebben op de modelprestaties, en er dus geen onnodige pogingen worden ondernomen. Willekeurige zoekopdrachten zijn over het algemeen efficiënter en gemakkelijker te implementeren dan zoekopdrachten in rasters. Deze twee methoden houden echter geen rekening met de vraag of er een correlatie bestaat tussen hyperparameters, en zijn dus relatief inefficiënt. Bayesiaanse optimalisatie is een adaptieve hyperparameteroptimalisatiemethode, die de volgende mogelijke hyperparametercombinatie voorspelt op basis van de geteste hyperparametercombinatie om het maximale nut te verkrijgen. Omdat de cumulatieve verdelingsfunctie van de Gaussische verdeling een s-type functie is, kan de GELU-functie worden benaderd door de tanh-functie of logistieke functie, zoals weergegeven in figuur 10.

De eenvoudigste strategie is om gedurende het hele trainingsproces een leertempo te hanteren. Door een kleiner leertempo te kiezen, kan de optimizer een goede oplossing vinden, maar het convergentiepercentage kan gemakkelijk worden beperkt. De relatie tussen de twee kan in evenwicht worden gebracht door de tijd te nemen om het leertempo te veranderen. Figuur 11 toont het leertempo voor elke periode.

Na vele malen aanpassen en optimaliseren worden de voorspellingsresultaten voor en na verbetering weergegeven in respectievelijk figuren 12 en 13. De uiteindelijke modelstructuur en de verkregen parameters zijn als volgt: de sequentiële lengte van het testvenster is 55, en het sequentiële model bestaat uit drie LSTM-lagen, waarbij het aantal neuronen in elke laag 100, 100 en 150 is. respectievelijk. Om overfitting te voorkomen, zijn er twee Dropout-lagen toegevoegd met de Dropout-laag van 0,2, en de dimensie van de invoergegevens is 5. Er is een dichte laag toegevoegd om de dimensie in 1 te aggregeren, de activeringsfunctie was lineair en de verliesfunctie was ingesteld als Mean Kwadratische fout (MSE). Adam werd gebruikt als het optimalisatie-algoritme en twee tijdperken werden gebruikt als model. Elke batch is 32 groot.

Het conventionele prijsvoorspellingsmodel is ook een deeplearning-model. Ten eerste wordt een conventioneel prijsvoorspellingsmodel geconstrueerd; dat wil zeggen dat het model alleen marktgegevens en 'financiële gegevens' bevat. De eerdere marktgegevens en financiële gegevens worden gebruikt om het deep learning-model te trainen, zodat het getrainde deep learning-model de toekomstige markt kan voorspellen; ruwe natuurlijke taalverwerkingstechnologie, emotionele informatie-extractie en emotionele evaluatie worden uitgevoerd op basis van publieke opiniegegevens. Gecombineerd met het conventionele prijsvoorspellingsmodel wordt het diepgaande leermodel getraind door gebruik te maken van marktgegevens, financiële gegevens, onderzoeksrapporten en emotionele tendensgegevens van financieel nieuws, en het model wordt gebruikt om de toekomstige markt te voorspellen. En, het voorspellingseffect van het conventionele voorspellingsmodel voor effectenprijzen wordt vergeleken met dat van het deep learning-model, gebaseerd op de natuurlijke taalverwerkingsresultaten van publieke opiniegegevens.

Na het bepalen van het aantal invoerknooppunten, uitvoerknooppunten en verborgen laagknooppunten van de twee modellen LSTMnetwork, kan het deep learning-model worden getraind. Na veel experimenten is gebleken dat de trainingtijden te kort zijn en de modeltrainingsfout te groot, dus is het noodzakelijk om de trainingtijden continu te vergroten, maar met de toename van de trainingtijden; de fout van modeltraining neigt geleidelijk naar een stabiele waarde. Als de trainingstijden van het model op dit moment veel worden vergroot, wordt het model e‡, enz. niet veel verbeterd. Het is het resultaat van het trainen van het 'restmodel' van C. Wanneer de trainingstijden minder dan 200 zijn, is de fout van het model groot. Op dit moment zal het verlengen van de trainingstijd de fout van modeltraining snel verminderen; Wanneer de trainingstijd meer dan 200 keer en minder dan 1000 keer bedraagt, is de modelfout klein. Op dit moment, wanneer de trainingtijden worden vergroot, heeft de mate van vermindering van modeltrainingsfouten een afnemende wet laten zien; Wanneer je 1000 tot 2000 keer traint, verandert de fout van het model op een klein gebied, en het effect van het verhogen van het aantal trainingstijden wordt geleidelijk niet duidelijk. Na een groot aantal tests en vergelijkingen is gebleken dat wanneer het aantal trainingstijden van het model ongeveer 2000 keer bedraagt, het aan de nauwkeurigheidseisen van training kan voldoen. Als het aantal trainingstijden wordt vergroot, is het e‡ect van het verbeteren van de modeltrainingsfout klein. Bovendien duurt het lang om het model op de computer te trainen, dus het heeft weinig betekenis om te veel trainingstijden te verlengen. Daarom hebben we in dit onderzoek de trainingstijden van het diepgaande leermodel op 2000 keer gesteld. In het latere model verifiëren we ook dat het aan deze wet voldoet. Daarom stelde het tweede diepgaande leermodel, met informatie over de publieke opinie, de trainingstijden ook op 2000 keer.

5. Conclusie

(1) Dit artikel past de deep learning-theorie toe, gebaseerd op de kenmerken van 'financiële tijdreeksgegevens', gebruikt het LSTM neurale netwerkmodel om de prijsindex van sportartikelen te voorspellen, en vergelijkt de voorspellingsresultaten met de voorspellingsresultaten met behulp van het netwerkmodel. Experimentele resultaten laten zien dat het LSTM neurale netwerkmodel de beste prestaties levert op de testset.

(2) Er wordt een voorspellingsmodel opgesteld. Op basis van verzamelde data feature engineering wordt een neuraal netwerkvoorspellingsmodel gebaseerd op lange- en kortetermijngeheugen opgesteld, en het model wordt getraind met een trainingsset om de prijs van sportartikelen te voorspellen. Op het gebied van modeloptimalisatie werden het aantal verborgenlaagneuronen, de leersnelheid, de batchgrootte en het trainingswiel aangepast om de beste trainingsresultaten te bereiken.

(3) In dit voorspellingsmodel voor de prijsontwikkeling van sportartikelen zullen verschillende sportprijsgegevens verschillende invloeden hebben op het voorspellingseffect, dus de selectie van de gegevensset is ook erg belangrijk.

Hoewel het in dit artikel voorgestelde model goede voorspellingsresultaten oplevert, houdt het model geen rekening met de correlatie van datatijd. Sommige tools voor glijdende tijdvensters kunnen in toekomstige onderzoeken worden gebruikt om de voorspellingsstapgrootte en de voorspellingsnauwkeurigheid van het model te verbeteren.

Beschikbaarheid van data

De gegevens die worden gebruikt ter ondersteuning van de bevindingen van dit onderzoek zijn op verzoek verkrijgbaar bij de auteur.

Belangenconflicten

DeDe auteur verklaart dat er geen sprake is van belangenverstrengeling.

Referenties

[1] J. Wang, R. Hou en C. Wang, "Verbeterd ondersteuningsvectorregressiemodel op basis van variabeleselectie en brainstormoptimalisatie voor het voorspellen van aandelenkoersen", Applied Soft Computing, vol. 49, nee. 2, blz. 164–178, 2016.

[2] M. Dixon, D. Klabjan en J. Hoon Bang, "C1assificatiegebaseerde voorspelling van financiële markten met behulp van diepe neurale netwerken", Algorithmic Finance, vol. 6, nee. 3-4, blz. 67–77, 2017.

[3] K. Chen, Y. Zhou en FY Dai, "Een op LSTM gebaseerde methode voor het voorspellen van aandelenrendementen: een casestudy van de Chinese aandelenmarkt", in Proceedings of the 2015 IEEE International Conference on Big Data, vol. 123, nee. 12, pp. 2823-2824, Santa Clara, CA, VS, 2015.

[4] AE Clements en N. Todorova, "Informatiestroom, handelsactiviteit en volatiliteit van grondstoffenfutures", Journal of FuturesMarkets, vol. 36, nee. 1, blz. 88–104, 2016.

[5] L. Xuewei en L. Xueyan, "Big data en de belangrijkste technologie ervan in de toekomst", Computing in Science & Engineering, vol. 20, nee. 4, blz. 75–88, 2018.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic en F. Kaleem, "Weergebaseerde onderbrekingsvoorspelling in het slimme netwerk met behulp van chronologische gegevens", Journal of ModernPower Systems and Clean Energy, vol. 4, nee. 2, blz. 308–315,2016.

[7] X. Zhang, J. Wang en Y. Gao, "Een hybride raamwerk voor het voorspellen van de elektriciteitsprijs op de korte termijn: op koekoek gebaseerde selectie van functies met enkelvoudige spectrumanalyse en SVM", Energy Economics, vol. 81, nee. 6, blz. 16–23, 2019.

[8] G. Osorio, M. Lotfi, VMA Campos en M. Khan, "Hybride voorspellingsmodel voor korte termijn elektriciteitsmarktprijzen met duurzame integratie", Sustainability, vol. 11, nee. 1, blz. 1–15, 2018.

[9] A. Bello, DW Bunn en J. Reneses, "Medium-Termprobabilistic forecasting of elektriciteitsprijzen: een hybride aanpak", IEEE Transactions on Power Systems, vol. 16, nee. 2, blz. 1–6, 2016.

[10] A. Bello, J. Reneses, A. Muñoz en A. Delgadillo, "Probabilistische voorspelling van de uurlijkse elektriciteitsprijzen op de middellange termijn met behulp van ruimtelijke interpolatietechnieken", InternationalJournal of Forecasting, vol. 32, nee. 3, blz. 966–980, 2016.

[11] P. Kou, D. Liang, L. Gao en J. Lou, "Probabilistische voorspelling van de elektriciteitsprijs met gevarieerde heteroscedastische Gaussiaanse processen en actief leren", Energy Conversion and Management, vol. 89, blz. 298–308, 2015.

For more information:1950477648nn@gmail.com