Predviđanje maloprodajnih cijena sportske opreme na temelju LSTM mreže

Cijene roba imaju jedinstvenu ulogu poluge za regulaciju gospodarstva. Predviđanje cijena važan je dio makro odlučivanja i mikromenadžmenta. Budući da postoji mnogo čimbenika koji utječu na cijenu robe, predviđanje cijena postalo je poteškoća u istraživanju. U skladu s karakteristikama da na podatke o cijenama utječu i drugi čimbenici osim vremenskih serija, predlaže se višefaktorska LSTM metoda predviđanja cijena koja se temelji na algoritmu dubokog učenja mreže dugoročne i kratkoročne memorije (LSTM).

Vremenski slijed i pamćenje su neodvojivi. Vremenski niz je pravilan prikaz vremenskog razvoja, a pamćenje je jedna od najvažnijih ljudskih sposobnosti. Može nam pomoći da se prisjetimo prošlih iskustava, predvidimo buduće trendove i donesemo ispravne odluke.

Vremenske serije mogu nam pomoći da bolje razumijemo promjene i trendove u okolišu, što je ključno za donošenje ispravnih odluka i planiranje budućnosti. Zbog pravilnosti vremenskih serija, kada analiziramo neke važne vremenske serije, možemo unaprijed predvidjeti smjer razvoja nekog događaja ili trenda. Ova nam predviđanja mogu pomoći u boljem planiranju planova, a samim time i u donošenju bolje ciljanih odluka.

U isto vrijeme, pamćenje je također vrlo važno. Naše pamćenje pomaže nam da se prisjetimo prošlih događaja, uključujući prošle uspjehe i neuspjehe. U sličnim situacijama možemo donijeti ispravnije odluke prisjećajući se prošlih iskustava. Osim toga, pamćenje nam može pomoći u predviđanju budućih trendova. Uspoređujući slične događaje, možemo bolje razumjeti obrasce razvoja događaja i predvidjeti budući razvoj događaja.

Stoga nam kombinacija vremenskih serija i memorije može pomoći da bolje razumijemo promjene u okruženju i trendove te točnije predvidimo smjerove budućeg razvoja. Oni nam mogu pomoći da bolje planiramo budućnost i donosimo točne odluke. Istodobno, igra vrlo važnu ulogu u našem osobnom rastu i razvoju. Trebali bismo ojačati učenje i razumijevanje vremenskog slijeda i pamćenja. Vidi se da moramo poboljšati pamćenje. Cistanche deserticola može značajno poboljšati pamćenje, jer Cistanche deserticola također može regulirati ravnotežu neurotransmitera, poput povećanja razine acetilkolina i faktora rasta. Te su tvari bitne za pamćenje i učenje. Osim toga, meso također može poboljšati protok krvi i pospješiti opskrbu kisikom, što može osigurati da mozak dobije dovoljno hranjivih tvari i energije, čime se poboljšava vitalnost i izdržljivost mozga.

Kliknite na načine za poboljšanje rada mozga

Ova metoda ne samo da koristi memoriju LSTM-a za povijesne podatke, već također uvodi utjecaj vanjskih čimbenika na cijenu kroz puni sloj veze, što daje novu ideju za rješavanje problema predviđanja cijena. U usporedbi s BP neuronskom mrežom, eksperimentalni rezultati pokazuju da ova metoda ima veću točnost i bolju stabilnost. Analizirajte opis robe i karakteristike cijene robe, pronađite robu sličnu ciljanoj robi, dovršite podatke o cijeni robe korištenjem povijesnih podataka o cijenama slične robe i uspostavite obuku postaviti za provjeru valjanosti predložene metode.

1. Uvod

Tržišni opseg robnog tržišta se širi iz dana u dan, varijante trgovanja postaju sve bogatije i bogatije, a mehanizam trgovanja postaje sve standardiziraniji. Od razvoja robnog tržišta, ono je postalo važno 'financijsko podtržište'. Širenje signala eprice na tržištu igra važnu ulogu u vođenju proizvodnje poduzeća, međunarodnoj trgovini i reguliranju gospodarstva [1]. Kineske robne burze također su prikupile bogate tržišne podatke u dugogodišnjem radu i razvoju.

Istraživači prikupljaju, razvrstavaju i analiziraju podatke o transakcijama raznih roba, a zatim dodaju i sastavljaju iste indekse roba. Ovi indeksi mogu procijeniti cjelokupno stanje relevantnih cijena robe Žfluktuacije i razvojni trend robne ekonomije i pomoći vladinim funkcionalnim institucijama da razumiju krajnje stanje makroekonomije; u isto vrijeme, relevantna poduzeća također mogu koristiti informacije o cijeni robe riže sadržane u robnom indeksu kako bi vlastite poslovne odluke, razumno rasporediti otkupljenu količinu i minimizirati nepotrebne ekonomske gubitke [2, 3].

Komercijalne djelatnosti zauzimaju sve važnije mjesto u nacionalnom gospodarstvu. Komercijalno ponašanje ne samo da daje važan doprinos nacionalnom gospodarstvu u smislu proizvodnje, već također igra važnu ulogu u stvaranju tržišnih odnosa, poboljšanju tržišnih mehanizama i rješavanju problema zapošljavanja [4]. Danas, s visokim razvojem informacijske tehnologije, e-trgovina na malo, kao novi model prodaje robe na malo, ubrzano se razvija. Ljudi mogu dobiti tisuće informacija o robi putem Interneta i kontaktirati prodavače robe diljem svijeta za transakcije bez izlaska iz svojih domova [5].

Pojava e-trgovine uvelike je olakšala živote ljudi, potaknula potrošački entuzijazam i povećala vitalnost potrošačkog tržišta; razvoj e-trgovine na malo potaknuo je prosperitet poslovnog tržišta. Deseci tisuća maloprodajnih artikala izloženi su i prodaju se na internetu, što smanjuje troškove prodaje robe i poboljšava učinkovitost prodaje. U isto vrijeme, budući da se e-trgovina na malo oslanja na Internet, ima prirodne prednosti u prikupljanju i pohranjivanju informacija i podataka. Poduzeća dobivaju veliku količinu podataka putem informacijske tehnologije. Kako iskopati te podatke i pronaći vrijedne zakone, usmjeriti donošenje poslovnih odluka poduzeća, poboljšati prodajni model, formulirati učinkovite prodajne strategije i konačno dobiti ekonomske koristi od e-trgovine. Mnoga poduzeća počinju ulagati u smjeru komercijalnog rudarenja podataka i razvijaju svoje sheme komercijalnog rudarenja podataka.

Istraživačka analiza podataka je važna faza analize podataka, koja se razlikuje od početne analize podataka. *Fokus preliminarne analize podataka je na tome jesu li ispunjeni zahtjevi za identifikaciju statističkih modela i hipoteza kako bi se osigurala pouzdanost potvrdne analize [6-8]. U ovom procesu analize, nekvalificirani podaci se popunjavaju nedostajućim vrijednostima, konverzijom podataka, odbacivanjem izvanrednih vrijednosti i drugim obradama kako bi se povećala točnost analize. Eksploratorna analiza podataka uključuje preliminarnu analizu podataka, ali njezino polazište nije samo određivanje kvalitete podataka, već i otkrivanje obrazaca distribucije podataka (Patten) i predlaganje novih hipoteza na temelju podataka. Istraživačka analiza podataka identificirana je kao ključni korak u tijeku rada znanosti o podacima koji može utjecati na više procesa. U tijeku rada znanosti o podacima prikazanom na slici 1, istraživačka analiza podataka usko je povezana s drugim procesima.

Svaki osnovni model zasebno trenira ulazne varijable skupa za obuku. *grubo nadzirano učenje, svaki osnovni model. Utvrđuje se težina za predviđenu vrijednost skupa za vježbanje svakog osnovnog modela pomoću ponderiranog prosjeka, a zatim se utvrđena vrijednost težine dodjeljuje predviđenoj vrijednosti testnog skupa svakog osnovnog modela [9, 10]. Množenje i presretanje vrijednosti prognoze težine Getmodel testni skup predviđenih vrijednosti. Slika 2 prikazuje tijek konstrukcije i dijagram modela. Sa slike znamo da uglavnom uključuje pretprocesiranje podataka i višestruke rezultate predviđanja iz više LSTM modela, a rezultati predviđanja integrirani su i poboljšani ponderiranjem više parametara.

Analizirajući vrijednost težine svakog osnovnog modela sportskih proizvoda, utvrđeno je da je veća vjerojatnost da će osnovni model s većom točnošću predviđanja dobiti veću težinu. Slika 3 je tehnološki plan.

2. Povezani rad

Predviđanje cijena odnosi se na ponašanje predviđanja dinamičke analize budućih promjena cijena prema povijesnoj vrijednosti i trendu cijena roba [11]. *Autori [12] koristili su rekurentni model neuronske mreže za predviđanje vibracija vlakova velikih brzina iz vremenskih serija i postigli dobre rezultate.

S razvojem jednostavnog algoritma vremenske serije, primjena jednostavne analize vremenske serije postupno se širi. Trenutačno je jednostavan algoritam analize vremenskih serija u poljoprivrednim cijenama, predviđanju cijena industrijske robe, predviđanju financijskih cijena dionica i mnogim drugim područjima. Ima širok raspon primjena, jer se manje koristi u analizi podatkovnih informacija, au isto vrijeme niskoučinkovite informacije analiza povijesti, dovesti do predviđanja rezultata još uvijek ne može zadovoljiti potrebe društvenog razvoja.

Status istraživanja algoritma za predviđanje cijena temeljenog na jednostavnim vremenskim serijama: prema periodičnosti i sezonalnosti fluktuacije cijena električne energije, Marcjasz et al. [13, 14] analizirali su utjecaj sezonalnosti na buduće promjene cijene električne energije i koristili NARX model neuronskih mreža za predviđanje cijene električne energije, čime su postigli dobre rezultate. Kako bi dobili dobre rezultate predviđanja, autori [15] dizajnirali su denoising agregaciju Graph neuronskih mreža korištenjem analize glavnih komponenti. Wang i sur. [16–18] proučavali su kratkoročno predviđanje cijena električne energije s naslaganim automatskim koderima za uklanjanje šuma, proveli istraživanje i primjenu hibridnog okvira za predviđanje i predložili novi hibridni model za tehniku ​​dvofaznog razlaganja indeksa kvalitete zraka i modificirani stroj za ekstremno učenje (ELM). Chong i sur. [19, 20] proučavali su mreže dubokog učenja za analizu i predviđanje tržišta dionica i proveli empirijsko određivanje cijena imovine putem strojnog učenja. Nilashi i sur. predstavili su analitički pristup za analizu velikih društvenih podataka za donošenje odluka kupaca u ekološki prihvatljivim hotelima i testirali predloženo rješenje na dva otvorena skupa podataka [21]. Uz gore navedene radove, Hoseinzade [22] je kombinirao ANN model i CNN model, predvidio uspon i pad ShanghaiFuturesa u poznatom razdoblju i postigao dobre rezultate predviđanja. Ulagači također mogu donositi odluke o ulaganju uz pomoć Chena i Gea [23] koji su istražili mehanizam pažnje u predviđanju kretanja cijena dionica u Hong Kongu temeljenom na LSTM-u. Fang i sur. istraživanje kvantitativnih strategija ulaganja temeljenih na dubokom učenju[24]. Na temelju gore navedenih rasprava, glavni doprinosi ovog rada su sažeti kako slijedi:

(1) Kao poboljšana struktura RNN modela, LSTM model ne samo da nasljeđuje karakteristike RNN modela prikladnog za rad s vremenskim serijama podataka, već također dodatno rješava problem dugoročne ovisnosti o vremenskoj dimenziji i poboljšava točnost predviđanja. Njegov učinak predviđanja je bolji od BP neuronskih mreža, RNN-a, CNN-a, GRU-a i drugih modela neuronskih mreža.

(2) Pretraživanje mreže koristi se za obuku modela s različitim parametrima i unakrsnu provjeru valjanosti svakog modela dok se ne pronađe optimalna kombinacija vrijednosti koja osigurava najbolju izvedbu modela.

(3) *e optimizirani model se provjerava na ispitnom setu, a srednja kvadratna pogreška se koristi kao indeks procjene kako bi se spriječilo prekomjerno uklapanje modela. *Rezultati pokazuju da model postiže nisku srednju kvadratnu pogrešku i u skupu za obuku i u skupu za testiranje, te dobiva rezultate stranog predviđanja.

3. LSTM mreža

LSTM neuronsku mrežu prvi su predložili Hochreiter i dr. (1997.) i dalje je proširio nakon što ju je optimizirao i poboljšao Alex Graves. U mnogim praktičnim problemima koji se odnose na sekvencijske podatke, LSTM je postigao veliki uspjeh i naširoko se koristi, kao što je obrada prirodnog jezika (NLP), predviđanje vremenskih nizova i tako dalje.

Tradicionalna rekurentna neuronska mreža (RNN) ne može se nositi s dugoročnim problemom slijeda, da bi se riješio ovaj problem, predložena je LSTM neuronska mreža dodavanjem strukture "vrata" za kontrolu stanja stanice i izlaza u različitim vremenima kako bi se ublažio problem nestanak gradijenta. Struktura "vrata" LSTM-a uključuje tri tipa: "vrata zaborava", "ulazna vrata" i "izlazna vrata". Funkcija "vrata zaboravljanja" je prosuđivanje informacija prenesenih iz prethodnog vremena u trenutno vrijeme i selektivno "zaboravljanje" nekih informacija kao što je prikazano na slici 4. Osim toga, predlaže se ortogonalna inicijalizacija kako bi se izbjegao nestanak ili eksplozija gradijenta u početnoj fazi obuke. , funkcija aktivacije ReLU (Recti'ed Linear Unit) može ublažiti nestanak gradijenta, smicanje gradijenta može riješiti eksploziju gradijenta, a jedinica LSTM može kontrolirati nestanak gradijenta.

LSTM je uspješno primijenjen u strojnom prevođenju, stvaranju razgovora i drugim poljima, pokazujući izvrsnu sposobnost modeliranja sekvenci podataka. Stoga ovaj rad gradi model predviđanja maloprodajne cijene sportske robe koji se temelji na mrežnoj jedinici LSTM i može u potpunosti iskoristiti njezinu značajku da se niz duljine može koristiti kao ulaz i primijeniti na online prepoznavanje podataka. LSTM rješava problem da se RNN ne može nositi s dugotrajnom ovisnošću uvođenjem [25].

Neka je broj ulaznih neurona u cijelom skrivenom sloju G, G uključuje sve jedinice i vrata, i upotrijebite indeks G za predstavljanje ovih ulaznih neurona. Izračun unaprijed LSTM-a je izračunavanje ulazne sekvence X s duljinom vremena d, čija je početna točka t 1 [26, 27]. Kada se vrijednost vremenske točke T kontinuirano povećava, jednadžba će se rekurzivno ažurirati do t t. Poput izračuna unaprijed, obrnuti izračun je ulazni niz X s vremenskom duljinom T, ali početna točka obrnutog izračuna je T T. Kada se vrijednost T kontinuirano smanjuje, recipročna vrijednost jedinice izračunava se rekurzivno do 1 1. Prema izvedenicama u svakoj vremenskoj točki iznad, možemo dobiti konačnu vrijednost derivata težine.

gdje Wf i bf predstavljaju težinu i pristranost vrata zaboravljanja, redom, dok σ predstavlja sigmoidnu funkciju.

4. Obrada podataka i istraživanje

on*Glavna točka inovacije ovog rada je poboljšati konvencionalni LSTM model i njegovu primjenu za predviđanje maloprodajnih cijena sportskih proizvoda, tako da ga uglavnom uspoređujemo s konvencionalnim LSTM modelom. Drugo, budući da su stvarni skupovi podataka dragocjeni i teško ih je dobiti, ovaj rad koristi samo jedan skup podataka za simulacijski eksperiment. Budući da kvaliteta podataka utječe na obuku odabranog modela, prikupljanje, analiza i obrada podataka ključne su faze prije obuke modela. Podaci u ovom radu uglavnom uključuju dva dijela: predmet istraživanja i karakteristične podatke.

Opća prognoza cijene robe usredotočena je na cijenu sportske robe. Upotrijebite Python za provođenje deskriptivne statističke analize različitih sportskih proizvoda i crtanje grafikona njihovih završnih cijena [31, 32], kao što je prikazano na slici 5. *e-distribucija je nagnuta udesno, vrhovi su manji od 3, oblik repa je tanak, i ne poštuje normalnu raspodjelu.

n.4.1. Smanjenje podatkovnog šuma. Budući da je tržišna dinamika vrlo složena, ti podaci sadrže rijetke šumove, pa se knjižnica u Pythonu koristi za wavelet transformaciju za uklanjanje podatkovnih šumova [33]. Vrijedno je napomenuti da se u ovom radu koristi konvencionalni model valne promjene. Nasljeđuje i razvija ideju lokalizacije kratkotrajne Fourierove transformacije i prevladava nedostatak veličine prozora koji se ne mijenja s učestalošću. Može osigurati "vremensko-frekvencijsku" promjenu prozora s frekvencijom, što je idealan alat za vremensko-frekvencijsku analizu i obradu signala. *Stoga je posebno prikladan za uklanjanje šuma u financijskim podacima. Slike 6 i 7 su usporedbe prije i nakon valićne transformacije.

n. Nakon što je obuka LSTM neuronske mreže dovršena, dati su rezultati predviđanja i odgovarajuće MSE vrijednosti Modela 1 i Modela 2, kao što je prikazano na slici 8, a rezultati predviđanja modela 1 i modela 2 prikazani su na slici 9.

9.*Osnovna ideja obučavanja modela je uklopiti skup sustava pravila na skup podataka za uvježbavanje kako bi se otkrila pravila u podacima. Drugim riječima, prilagodba opisuje koliko dobro ili koliko dobro se model može generalizirati na podatke u testnom skupu Dobar model rezultira dobrim performansama modela i može se potvrditi novim podacima izvan skupa podataka za obuku, tj. podacima izvan uzorka. Osim parametara koji se mogu naučiti, različiti modeli zahtijevaju različite hiperparametre, a to su parametri koje nije potrebno uvježbavati.

Parametri su kritični za model i ovise o podacima za obuku. Kao dio procesa obuke, LSTM model se dodatno prilagođava i optimizira kako bi se dobio bolji učinak predviđanja učenjem parametara iz podataka obuke kroz tehnike optimizacije [34-37].

Proces ekonomskog istraživanja općenito je objašnjenje ekonomskih pojava konstruiranjem ekonomskih modela. Kada znanstvenici potvrde općeprihvaćene ekonomske pojave, potrebno ih je navesti u obliku tipičnih činjenica. U daljnjem istraživanju, ako je rješenje modela u stanju opće ravnoteže u skladu s tipičnim činjenicama, to može objasniti da je model u velikoj mjeri razumniji. U proučavanju 'financijskih problema, posebno u proučavanju 'serija financijskih vremenskih prinosa, često se mogu uočiti neke zajedničke statističke karakteristike. Prema tipičnim činjenicama znanstvenika o univarijantnim serijama prinosa, one su sažete na sljedeći način: često pokazuju autokorelaciju; Često pokazuje dugo pamćenje; e sporo opadanje autokorelacije apsolutnog povrata; vršna distribucija debelog repa; oblik distribucije se mijenja s vremenom; učinak agregacije valova; nakon prilagodbe Žaktuacijske agregacije, još uvijek postoji uvjetni debeli rep e‡, itd. Pod pretpostavkom neovisnosti i identične raspodjele, izvedba 'testiranog' modela financijske vremenske serije često nije optimalna, pa je potrebno razmotriti karakteristike distribucije podataka kada se modelira serija prihoda. Kada se za modeliranje podataka koristi model neuronske mreže, ne treba uzeti u obzir pretpostavku distribucije. jer model neuronske mreže može generalizirati strukturu ulaznih podataka tako da neuronska mreža može uhvatiti nelinearne karakteristike 'financijskih podataka'.

Grid Search je metoda sustavnog treniranja modela, korištenjem različitih kombinacija vrijednosti hiperparametara za treniranje modela, unakrsnom provjerom valjanosti svakog modela dok se ne pronađe optimalna kombinacija vrijednosti koja osigurava najbolju izvedbu modela. Kontinuiranim testiranjem parametara svih kombinacija, skupina do 'i najprikladnije kombinacije superkonfiguracijskih parametara bit će diskretizacija, superparametara prema njihovim karakteristikama za odabir nekoliko vrijednosti iskustva, a zatim prema različitim kombinacijama modela treninga, za odabir optimalne kombinacije konfiguracija, okolnosti manje prikladne za super parametre. Slučajno pretraživanje nasumično kombinira hiperparametre i zatim odabire optimalnu konfiguraciju. Ne pokušava nepotrebno na nevažnim parametrima jer, kao što koeficijenti regulacije imaju ograničen utjecaj na izvedbu modela, stope učenja imaju veći utjecaj na izvedbu modela, tako da ne čini nepotrebne pokušaje. Nasumična pretraživanja općenito su učinkovitija i lakša za implementaciju od pretraživanja mreže. Međutim, ove dvije metode ne uzimaju u obzir postoji li korelacija između hiperparametara, pa su relativno neučinkovite. Bayesova optimizacija je adaptivna metoda optimizacije hiperparametara, koja predviđa sljedeću moguću kombinaciju hiperparametara na temelju testirane kombinacije hiperparametara kako bi se postigla maksimalna korisnost. Budući da je funkcija kumulativne distribucije Gaussove distribucije funkcija s-tipa, funkcija GELU može se aproksimirati tanh funkcijom ili logističkom funkcijom kao što je prikazano na slici 10.

Najjednostavnija strategija je 'x stopa učenja tijekom cijelog procesa obuke. Odabir manje stope učenja omogućuje optimizatoru da pronađe dobro rješenje, ali je lako ograničiti stopu konvergencije. Odnos između to dvoje može se uravnotežiti odvajanjem vremena za promjenu stope učenja. Slika 11 prikazuje stopu učenja za svako razdoblje.

Nakon mnogih prilagodbi i optimizacija, rezultati predviđanja prije i nakon poboljšanja prikazani su na slikama 12 i 13, redom. Konačna struktura modela i dobiveni parametri su sljedeći: sekvencijalna duljina testnog prozora je 55, a sekvencijalni model sastoji se od tri LSTM sloja, s brojem neurona u svakom sloju od 100, 100 i 150, odnosno. Kako bi se izbjeglo prekomjerno uklapanje, dodana su dva sloja Dropout sa slojem Dropout od 0,2, a dimenzija ulaznih podataka je 5. Gusti sloj je dodan da se njegova dimenzija agregira u 1, aktivacijska funkcija bila je linearna, a funkcija gubitka postavljena je kao srednja vrijednost Kvadratna pogreška (MSE). Adam je korišten kao optimizacijski algoritam, a dvije epohe korištene su kao model. Svaka serija je veličine 32.

Konvencionalni model predviđanja cijena također je model dubinskog učenja. Prvo se konstruira konvencionalni model predviđanja cijene; to jest, model sadrži samo tržišne i financijske podatke. Prethodni tržišni podaci i financijski podaci koriste se za obuku modela dubokog učenja kako bi obučeni model dubokog učenja mogao predvidjeti buduće tržište; gruba tehnologija obrade prirodnog jezika, ekstrakcija emocionalnih informacija i emocionalna evaluacija provode se na podacima javnog mnijenja. U kombinaciji s konvencionalnim modelom predviđanja cijena, model dubinskog učenja trenira se korištenjem tržišnih podataka, financijskih podataka, izvješća o istraživanju i podataka o emocionalnim tendencijama financijskih vijesti, a model se koristi za predviđanje budućeg tržišta. en, učinak predviđanja konvencionalnog modela predviđanja cijena vrijednosnih papira uspoređuje se s onim modela dubokog učenja koji se temelji na rezultatima obrade podataka javnog mnijenja prirodnim jezikom.

Nakon određivanja broja ulaznih čvorova, izlaznih čvorova i čvorova skrivenog sloja dvaju modela LSTM mreže, model dubokog učenja može se trenirati. Nakon mnogih eksperimenata, utvrđeno je da su vremena treninga premala i da je pogreška modela treninga prevelika, pa je potrebno kontinuirano povećavati vremena treninga, ali s povećanjem vremena treninga; pogreška učenja modela postupno teži stabilnoj vrijednosti. Ako se vrijeme obuke modela u ovom trenutku znatno poveća, model e‡, itd. nije mnogo poboljšan. To je rezultat treniranja 'modela odmora od C-a. Kada su vremena obuke manja od 200, pogreška modela je velika. U ovom trenutku, povećanje vremena obuke će brzo smanjiti pogrešku modela obuke; Kada su vremena obuke veća od 200 puta i manja od 1000 puta, pogreška modela je mala. U to vrijeme, kada su vremena obuke povećana, stupanj smanjenja pogreške modela obuke pokazao je opadajući zakon; Prilikom vježbanja 1000 do 2000 puta, pogreška modela se mijenja na malom području, a učinak povećanja broja vremena vježbanja postupno nije očit. Grubim mnogim testovima i usporedbama utvrđeno je da kada je broj vremena obuke modela oko 2000 puta, on može zadovoljiti zahtjeve točnosti obuke. Ako se broj vremena uvježbavanja poveća, učinak poboljšanja greške uvježbavanja modela je mali, Štoviše, potrebno je dugo vremena da se uvježba model na računalu, tako da je od malog značaja povećati previše vremena uvježbavanja. Stoga smo postavili vrijeme obuke modela dubinskog učenja u ovoj studiji na 2000 puta. U kasnijem modelu također provjeravamo da je u skladu s ovim zakonom. Stoga je drugi model dubinskog učenja s podacima o javnom mnijenju također postavio vrijeme obuke na 2000 puta.

5. Zaključak

(1) Ovaj rad primjenjuje teoriju dubokog učenja, temeljenu na karakteristikama 'financijskih vremenskih serija podataka, koristi model neuronske mreže LSTM za predviđanje indeksa cijena sportske robe i uspoređuje svoje rezultate predviđanja s rezultatima predviđanja korištenjem mrežnog modela. Eksperimentalni rezultati pokazuju da LSTM model neuronske mreže ima najbolju izvedbu na testnom skupu.

(2) Uspostavlja se model predviđanja. Na temelju inženjeringa značajki skupljenih podataka, uspostavljen je model predviđanja neuronske mreže temeljen na dugotrajnom i kratkoročnom pamćenju, a model se trenira sa skupom za obuku za predviđanje cijena sportske robe. Uvjeti optimizacije modela, broj neurona skrivenog sloja, stopa učenja, veličina serije i kotač za vježbanje prilagođeni su kako bi se postigli najbolji rezultati učenja.

(3) U ovom modelu predviđanja trenda cijena sportske robe, različiti podaci o sportskim cijenama imat će različite utjecaje na učinak predviđanja, tako da je odabir skupa podataka također vrlo važan.

Iako model predložen u ovom radu postiže dobre rezultate predviđanja, model ne uzima u obzir korelaciju vremena podataka. Neki alati za klizni vremenski prozor mogu se koristiti u budućim studijama za poboljšanje veličine koraka predviđanja i točnosti predviđanja modela.

Dostupnost podataka

Podaci korišteni za podupiranje nalaza ove studije dostupni su od autora na zahtjev.

Sukob interesa

Theautor izjavljuje da nema sukoba interesa.

Reference

[1] J. Wang, R. Hou i C. Wang, "Poboljšani model vektorske regresije potpore temeljen na odabiru varijabli i optimizaciji brainstormo-a za predviđanje cijena dionica," Applied Soft Computing, sv. 49, br. 2, str. 164–178, 2016.

[2] M. Dixon, D. Klabjan i J. Hoon Bang, "Predviđanje financijskih tržišta temeljeno na C1assification using deep neural networks," Algorithmic Finance, sv. 6, br. 3-4, str. 67–77, 2017.

[3] K. Chen, Y. Zhou i FY Dai, "Metoda temeljena na LSTM-u za predviđanje prinosa na dionice: studija slučaja kineske burze", u Zborniku radova Međunarodne konferencije IEEE o velikim podacima 2015., sv. 123, br. 12, str. 2823-2824, Santa Clara, CA, SAD, 2015.

[4] AE Clements i N. Todorova, "Protok informacija, trgovinska aktivnost i volatilnost robnih fjučersa", Journal of FuturesMarkets, sv. 36, br. 1, str. 88–104, 2016.

[5] L. Xuewei i L. Xueyan, "Big data and its key technology inthe future", Computing in Science & Engineering, sv. 20, br. 4, str. 75–88, 2018.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanović i F. Kaleem, "Vremensko predviđanje prekida u pametnoj mreži korištenjem kronoloških podataka," Journal of ModernPower Systems and Clean Energy, sv. 4, br. 2, str. 308–315, 2016.

[7] X. Zhang, J. Wang i Y. Gao, "Hibridni kratkoročni okvir za predviđanje cijena električne energije: izbor značajki na temelju kukavice pretraživanja s analizom pojedinačnog spektra i SVM", Energetska ekonomija, sv. 81, br. 6, str. 16–23, 2019.

[8] G. Osorio, M. Lotfi, VMA Campos i M. Khan, "Hibridni ´model predviđanja za kratkoročne tržišne cijene električne energije s integracijom obnovljivih izvora energije", Sustainability, sv. 11, br. 1, str. 1–15, 2018.

[9] A. Bello, DW Bunn i J. Reneses, "Srednjoročno vjerojatnosno predviđanje cijena električne energije: hibridni pristup", IEEE Transactions on Power Systems, sv. 16, br. 2, str. 1–6, 2016.

[10] A. Bello, J. Reneses, A. Muñoz i A. Delgadillo, "Probabilističko predviđanje cijena električne energije po satu u srednjem roku korištenjem tehnika prostorne interpolacije", InternationalJournal of Forecasting, sv. 32, br. 3, str. 966-980, 2016.

[11] P. Kou, D. Liang, L. Gao i J. Lou, "Probabilističko predviđanje cijene električne energije s varijacijskim heteroskedastičnim Gaussovim procesom i aktivnim učenjem", Pretvorba energije i upravljanje, sv. 89, str. 298-308, 2015.

For more information:1950477648nn@gmail.com