Spá um smásöluverð á íþróttavörum byggt á LSTM neti

Vöruverð gegnir einstöku hlutverki sem lyftistöng til að stjórna hagkerfinu. Verðspá er mikilvægur þáttur í þjóðhagsákvarðanatöku og örstjórnun. Vegna þess að það eru margir þættir sem hafa áhrif á vöruverð hefur verðspá orðið erfið við rannsóknir. Samkvæmt þeim eiginleikum að verðupplýsingar eru einnig fyrir áhrifum af öðrum þáttum nema tímaröðum, er lagt til að spá LSTM verðspá aðferð sem byggist á langtíma- og skammtímaminnisnetkerfi (LSTM) dýpkun reikniritsins.

Tímaröð og minni eru óaðskiljanleg. Tímaraðir eru regluleg framsetning tímaþróunar og minni er einn mikilvægasti hæfileiki mannsins. Það getur hjálpað okkur að muna fyrri reynslu, spá fyrir um framtíðarþróun og taka réttar ákvarðanir.

Tímaraðir geta hjálpað okkur að skilja betur umhverfisbreytingar og þróun, sem er mikilvægt fyrir okkur til að taka réttar ákvarðanir og skipuleggja framtíðina. Vegna reglusemi tímaraða, þegar við greinum mikilvægar tímaraðir, getum við spáð fyrir um þróunarstefnu atburðar eða þróunar fyrirfram. Þessar spár geta hjálpað okkur að skipuleggja áætlanir betur og þar með markvissari Taka ákvarðanir.

Á sama tíma er minnið líka mjög mikilvægt. Minni okkar hjálpar okkur að muna fyrri atburði, þar á meðal fyrri velgengni og mistök. Þegar við lendum í svipuðum aðstæðum getum við tekið réttar ákvarðanir með því að rifja upp fyrri reynslu. Að auki getur minni hjálpað okkur að spá fyrir um framtíðarþróun. Með því að bera saman svipaða atburði getum við skilið betur þróunarmynstur atburða og spáð fyrir um framtíðarþróun.

Þess vegna getur samsetning tímaraða og minnis hjálpað okkur að skilja betur breytingar á umhverfi og þróun og spá fyrir um framtíðarþróunarstefnur með nákvæmari hætti. Þeir geta hjálpað okkur að skipuleggja betur framtíðina og taka nákvæmar ákvarðanir. Á sama tíma gegnir það einnig mjög mikilvægu hlutverki í persónulegum vexti okkar og þroska. Við ættum að efla nám og skilning á tímaröð og minni. Það má sjá að við þurfum að bæta minni okkar. Cistanche deserticola getur bætt minni verulega, því Cistanche deserticola getur einnig stjórnað jafnvægi taugaboðefna, svo sem aukið magn asetýlkólíns og vaxtarþátta. Þessi efni eru nauðsynleg fyrir minni og nám. Að auki getur kjöt einnig bætt blóðflæði og stuðlað að súrefnisgjöf, sem getur tryggt að heilinn fái nægilega næringarefni og orku og þannig bætt heilaþrótt og úthald.

Smelltu vita leiðir til að bæta heilastarfsemi

Þessi aðferð nýtir ekki aðeins minni LSTM í sögulegum gögnum heldur kynnir einnig áhrif ytri þátta á verð í gegnum allt tengingarlagið, sem gefur nýja hugmynd til að leysa vandamálið við verðspá. Samanborið við BP taugakerfi, Tilraunaniðurstöður sýna að þessi aðferð hefur meiri nákvæmni og betri stöðugleika. Greindu vörulýsingu og eiginleika vöruverðs, finna út vörur sem eru svipaðar markvörunni, kláraðu vöruverðsgögnin með því að nota söguleg verðupplýsingar svipaðra vara og koma á þjálfuninni sett til að sannreyna réttmæti fyrirhugaðrar aðferðar.

1. Inngangur

Markaðskvarði hrávörumarkaðarins stækkar dag frá degi, viðskiptaafbrigðin verða ríkari og ríkari og viðskiptakerfið verður stöðugt staðlaðara. Síðan hrávörumarkaðurinn þróaðist hefur hann orðið mikilvægur „fjármálaundirmarkaður“. eprice merki dreifing á markaðnum gegnir mikilvægu hlutverki við að leiðbeina fyrirtækjaframleiðslu, alþjóðaviðskiptum og stjórna hagkerfinu [1]. Hrávörukauphallir Kína hafa einnig safnað ríkum markaðsgögnum í margra ára rekstri og þróun.

Rannsakendur safna, flokka og greina viðskiptagögn ýmissa vara og bæta síðan við og setja saman sömu vöruvísitölur. Þessar vísitölur geta valið heildarástand viðkomandi hrávöruverðssveiflna og þróunarþróun hrávöruhagkerfisins og hjálpað ríkisstofnunum að skilja stöðu þjóðhagkerfisins; á sama tíma geta viðkomandi fyrirtæki einnig notað hrísgrjónaverðsupplýsingarnar í hrávöruvísitölunni til að gera eigin viðskiptaákvarðanir, raða á sanngjarnan hátt keyptu magni og lágmarka óþarfa efnahagslegt tap [2, 3].

Atvinnustarfsemi skipar æ mikilvægari stöðu í þjóðarbúskapnum. Viðskiptahegðun skilar ekki aðeins mikilvægu framlagi til þjóðarbúsins með tilliti til framleiðslu heldur gegnir hún einnig mikilvægu hlutverki í að ala á markaðstengslum, bæta markaðskerfi og leysa vandamál vinnuafls [4]. Í dag, með mikilli þróun upplýsingatækni, hefur rafræn smásöluverslun, sem nýtt smásölumódel, þróast hratt. Fólk getur fengið þúsundir vöruupplýsinga í gegnum internetið og haft samband við vöruseljendur um allan heim fyrir viðskipti án þess að fara út úr heimilum sínum [5].

Tilkoma rafrænna viðskipta hefur auðveldað líf fólks mjög, ýtt undir neysluáhuga fólks og aukið lífskraft neytendamarkaðarins; Þróun rafrænna smásöluviðskipta hefur ýtt undir velmegun viðskiptamarkaðarins. Tugir þúsunda smásöluvara eru sýndar og seldar á netinu, sem dregur úr kostnaði við vörusölu og bætir skilvirkni sölu. Á sama tíma, vegna þess að rafræn verslun reiðir sig á internetið, hefur það náttúrulega kosti við öflun og geymslu upplýsinga og gagna. Fyrirtæki fá mikið magn gagna með upplýsingatækni. Hvernig á að vinna þessi gögn og finna verðmæt lög, til að leiðbeina viðskiptaákvörðunum fyrirtækja, bæta sölulíkanið, móta árangursríkar söluaðferðir og að lokum fá efnahagslegan ávinning af rafrænum viðskiptum. Mörg fyrirtæki byrja að fjárfesta í átt að gagnavinnslu í atvinnuskyni og þróa gagnavinnslukerfi í atvinnuskyni.

Könnunargagnagreining er mikilvægur áfangi gagnagreiningar, sem er frábrugðinn upphaflegri gagnagreiningu. *Áhersla bráðabirgðagagnagreiningar er á hvort kröfur um að bera kennsl á tölfræðileg líkön og tilgátur séu uppfylltar til að tryggja áreiðanleika staðfestingargreiningar [6–8]. Í þessu greiningarferli eru óhæfu gögnin fyllt með gildum sem vantar, gagnaumbreytingu, brottkasti útlægra gilda og annarri vinnslu til að auka nákvæmni greiningarinnar. Könnunargagnagreining felur í sér bráðabirgðagreiningu gagna, en upphafspunktur hennar er ekki aðeins að ákvarða gagnagæði heldur einnig að uppgötva mynstur gagnadreifingar (Patten) og setja fram nýjar tilgátur út frá gögnunum. Könnunargagnagreining er auðkennd sem lykilskref í verkflæði gagnavísinda sem getur haft áhrif á mörg ferli. Í gagnafræðivinnuflæðinu sem sýnt er á mynd 1 er könnunargagnagreining nátengd öðrum ferlum.

Hvert grunnlíkan þjálfar inntaksbreytur æfingasettsins sérstaklega. *gróft nám undir eftirliti, hvert grunnlíkan. Vægi er ákvarðað fyrir spáð gildi þjálfunarsetts hvers grunnlíkans með því að nota vegið meðaltal, og síðan er staðfestu þyngdargildi úthlutað spágildi prófunarsetts hvers grunnlíkans [9, 10]. Margföldun og skerðing á þyngd spáð Getmodel prófunarsett af áætluðum gildum. Mynd 2 sýnir byggingarflæði og skýringarmynd af líkaninu. Af myndinni vitum við að hún felur aðallega í sér forvinnslu gagna og margar spániðurstöður úr mörgum LSTM líkönum, og spániðurstöðurnar eru samþættar og auknar með því að vega margar breytur.

Með því að greina þyngdargildi hvers grunnlíkans af íþróttavörum kemur í ljós að grunnlíkanið með meiri spánákvæmni er líklegra til að fá meira vægi. Mynd 3 er tæknivegakortið.

2. Tengd vinna

Verðspá vísar til spáhegðun virkrar greiningar á verðbreytingum í framtíðinni í samræmi við sögulegt verðmæti og verðþróun hrávöru [11]. *E höfundar [12] notuðu endurtekið taugakerfislíkan til að spá fyrir um titring í háhraða lestum úr tímaröðum og náðu góðum árangri.

Með þróun einfalds tímaraðaralgríms er beiting einfaldrar tímaraðargreiningar smám saman að stækka. Sem stendur hefur einfalt tímaraðgreiningarreiknirit verið í landbúnaðarverði, spá um verð á iðnaðarvörum, spá um verð á fjármálafyrirtækjum og mörgum öðrum sviðum. greining til sögunnar, leiða til þess að spá fyrir um niðurstöðurnar geta enn ekki uppfyllt þarfir félagslegrar þróunar.

Rannsóknarstaða verðspáralgríms sem byggir á einföldum tímaröðum: í samræmi við tíðni og árstíðabundin sveiflur í orkuverði, Marcjasz o.fl. [13, 14] greindi áhrif árstíðabundins á verðbreytingar í framtíðinni og notaði NARX taugakerfislíkanið til að spá fyrir um orkuverð, sem náði góðum árangri. Til að fá góðar spániðurstöður hönnuðu höfundar [15] aDenoising Aggregation of Graph taugakerfi með því að nota aðalhlutagreininguna. Wang o.fl. [16–18] rannsakað skammtímaspá um raforkuverð ásamt sjálfkóðara með staflaðri afnotalausn, rannsakað og beitt blendingsspárramma og lagt til hið nýja blendingslíkan fyrir loftgæðavísitölu tveggja fasa samsetningartækni og breytta öfgakennsluvél (ELM), í sömu röð. Chong o.fl. [19, 20] rannsakaði djúpnámsnetin fyrir greiningu á hlutabréfamarkaði og spá og bar reynsluverðlagningu eigna með vélanámi, í sömu röð. Nilashi o.fl. kynnti greinandi nálgun fyrir stórar félagslegar gagnagreiningar fyrir ákvarðanatöku viðskiptavina á vistvænum hótelum og prófaði fyrirhugaða lausn á tveimur opnum gagnasöfnum [21]. Auk ofangreindra verka sameinaði Hoseinzade [22] ANN líkanið CNN, spáði fyrir um hækkun og fall ShanghaiFutures á þekktu tímabili og náði góðum spániðurstöðum. Fjárfestar geta einnig tekið fjárfestingarákvarðanir með hjálp Chen og Ge [23] kannaði athygliskerfið í LSTM-undirstaða spá um hreyfingar hlutabréfa í Hong Kong. Fang o.fl. rannsóknarmegindlegar fjárfestingaraðferðir byggðar á djúpu námi[24]. Byggt á ofangreindum umræðum eru helstu framlög þessarar greinar tekin saman sem hér segir:

(1) Sem endurbætt uppbygging RNN líkansins erfir LSTM líkanið ekki aðeins eiginleika RNN líkansins sem hentar til að takast á við tímaraðargögn heldur leysir það einnig frekar vandamálið um langtíma háð tímavídd og bætir nákvæmni spá. Spááhrif þess eru betri en BP taugakerfi, RNN, CNN, GRU og önnur taugakerfislíkön.

(2) Netleit er notuð til að þjálfa líkanið með mismunandi breytum og krossagilda hvert líkan þar til besta samsetning gilda finnst til að tryggja besta líkanið.

(3) *Bjartsýni líkanið er sannreynt á prófunarsettinu og meðalferningsvillan er notuð sem matsvísitala til að koma í veg fyrir að líkanið passi of mikið. *Niðurstöður sýna að líkanið nær lágri kvaðratskekkju bæði í þjálfunarsettinu og prófunarsettinu og fær hliðarspániðurstöður.

3. LSTM net

LSTM tauganet var fyrst lagt til af Hochreiter o.fl. (1997) og stækkað enn frekar eftir hagræðingu og endurbætur af Alex Graves. Í mörgum hagnýtum vandamálum sem tengjast raðgögnum hefur LSTM náð miklum árangri og hefur verið mikið notað, svo sem náttúruleg málvinnsla (NLP), spá um tímaraðir og svo framvegis.

Hefðbundið endurtekið tauganet (RNN) getur ekki tekist á við langtíma röð vandamálið, til að leysa þetta vandamál er LSTM tauganetið lagt til með því að bæta við "hlið" uppbyggingu til að stjórna frumuástandi og framleiðslu á mismunandi tímum til að draga úr vandamálinu halli hvarf. „Hliðið“ uppbygging LSTM inniheldur þrjár gerðir: „gleymingarhlið“, „inntakshlið“ og „úttakshlið“. Hlutverk "gleymingarhliðsins" er að dæma upplýsingarnar sem sendar eru frá fyrri tíma til núverandi tíma og valið "gleyma" einhverjum upplýsingum eins og sýnt er á mynd 4. Að auki er lagt til að hornrétt frumstillingin komi í veg fyrir hallahvarf eða sprengingu á upphafsstigi þjálfunar , ReLU (Recti'ed Linear Unit) virkjunaraðgerðin getur dregið úr hallahvarfi, hallaklippa leyst hallasprengingu og LSTM einingin getur stjórnað hallahvarfi.

LSTM hefur verið beitt með góðum árangri í vélþýðingum, samtalsgerð og öðrum sviðum, sem sýnir framúrskarandi líkanagetu raðgagna. Þess vegna byggir þetta ritgerð upp smásöluverð á spálíkani fyrir íþróttavörur sem byggir á LSTM neteiningunni og getur nýtt sér að fullu eiginleika þess að hægt er að nota hvaða lengdaröð sem er sem inntak og beitt við gagnagreiningu á netinu. LSTM leysir vandamálið að RNN ræður ekki við langtímafíkn með því að kynna [25].

Látum fjölda inntaktaugafruma í öllu huldulaginu vera G, G inniheldur allar einingar og hlið, og notaðu vísitölu G til að tákna þessar inntaktaugafrumur. Framvirkur útreikningur LSTM er að reikna inntaksröð X með tímalengd d, en upphafspunkturinn er t 1 [26, 27]. Þegar gildi tímapunkts T eykst stöðugt, mun jöfnan vera uppfærð afturkvæmt þar til t t. Eins og framreikningur er öfugútreikningur inntaksröð X með tímalengd T, en upphafspunktur öfugs útreiknings er T T. Þegar gildi T lækkar stöðugt er gagnkvæmni einingarinnar reiknuð afturkvæmt þar til 1 1. Samkvæmt afleiðunum á hverjum tímapunkti hér að ofan, getum við fengið afleiðugildi fyrir heildarþyngd.

þar sem Wf og bf tákna þyngd og hlutdrægni gleymingarhliðsins, í sömu röð, en σ táknar Sigmoidfunction.

4. Gagnavinnsla og könnun

á *Helsta nýjung þessarar greinar er að bæta hefðbundna LSTM líkanið og beita því til að spá fyrir um smásöluverð á íþróttavörum, þannig að við berum það aðallega saman við hefðbundna LSTM líkanið. Í öðru lagi, vegna þess að raunveruleg gagnasöfn eru dýrmæt og erfitt að fá, notar þessi grein aðeins eitt gagnasett fyrir hermitilraunina. Vegna þess að gæði gagnanna hafa áhrif á þjálfun valda líkansins, er söfnun, greining og úrvinnsla gagnanna lykilstig fyrir líkanþjálfun. *Gögnin í þessari grein innihalda aðallega tvo hluta: rannsóknarhlutinn og einkennisgögnin.

Almenn spá um vöruverð beinist að íþróttavöruverði. Notaðu Python til að framkvæma lýsandi tölfræðilega greiningu á mismunandi íþróttavörum og teikna lokaverðstöflur þeirra [31, 32], eins og sýnt er á mynd 5. *e-dreifing er skekkt til hægri, topparnir eru minni en 3, halaformið er þunnt, og hlýðir ekki normaldreifingunni.

n.4.1. Data Noise Reduction. Þar sem gangverki markaðarins er mjög flókið, innihalda þessi gögn sjaldgæfan hávaða, svo bókasafnið í Python er notað fyrir bylgjubreytingar til að fjarlægja gagnahljóð [33]. Þess má geta að hefðbundið bylgjubreytingarlíkan er notað í þessari grein. Það erfir og þróar hugmyndina um skammtímastaðsetningu Fourier umbreytinga og sigrast á göllum gluggastærðar sem breytist ekki með tíðni. Það getur veitt "tíma-tíðni" gluggaskipti með tíðni, sem er tilvalið tæki til tíma-tíðnigreiningar og vinnslu merkja. *Þess vegna er það sérstaklega hentugur til að fjarlægja hávaða í fjárhagsgögnum. Myndir 6 og 7 eru samanburður fyrir og eftir bylgjubreyting.

n.Eftir að LSTM tauganetþjálfuninni er lokið eru spániðurstöður og samsvarandi MSE gildi fyrir líkan 1 og líkan 2 gefnar upp, í sömu röð, eins og sýnt er á mynd 8, og spániðurstöður líkan 1 og líkan 2 eru sýndar á mynd 9.

9.*Grunnhugmyndin um þjálfun líkana er að passa sett af reglukerfi á þjálfunargagnasettið til að sýna reglurnar í gögnunum. Með öðrum orðum, hæfingin lýsir því hversu vel, eða hversu vel, líkanið er hægt að alhæfa yfir gögnin. í prófunarsettinu Gott líkan gefur góða frammistöðu líkans og hægt er að staðfesta það með nýjum gögnum utan þjálfunargagnasettsins, þ.e. utan úrtaksgagna. Til viðbótar við færibreytur sem hægt er að læra, krefjast mismunandi líkön mismunandi ofurfæribreytur, sem eru færibreytur sem ekki þarf að þjálfa.

Færibreytur eru mikilvægar fyrir líkanið og ráðast af þjálfunargögnum. Sem hluti af þjálfunarferlinu er LSTM líkanið frekar stillt og fínstillt til að fá betri spá með því að læra færibreytur úr þjálfunargögnum í gegnum hagræðingartækni [34–37].

Ferlið við hagrannsóknir er almennt að útskýra efnahagsleg fyrirbæri með því að búa til hagfræðileg líkön. Þegar almennt viðurkennd hagfræðileg fyrirbæri eru staðfest af fræðimönnum þarf að skrá þau í formi dæmigerðra staðreynda. Í framhaldsrannsókninni, ef lausn líkansins í almennu jafnvægisástandi er í samræmi við dæmigerðar staðreyndir, getur það útskýrt að líkanið sé sanngjarnara að miklu leyti. Í rannsókninni á „fjárhagslegum vandamálum, sérstaklega í rannsókninni á „fjárhagslegum tímaávöxtunarröðum“, er oft hægt að fylgjast með nokkrum algengum tölfræðilegum einkennum. Það sýnir oft langt minni; e hægfara hrörnun á sjálffylgni með algerri skil; hámarks þykk hala dreifing; dreifingarformið breytist með tímanum; bylgjusamlagsáhrif; eftir að stillt hefur verið öflunarsamsöfnun, er enn skilyrt þykkur hali e‡, o.s.frv. Miðað við að það sé óháð og eins dreift er frammistaða „prófaða“ fjárhagstímaraðarlíkans oft ekki ákjósanleg, þannig að dreifingareiginleikar gagnanna þarf að hafa í huga. þegar gerð er reiknilíkan fyrir tekjuröðina. Þegar taugakerfislíkanið er notað til að líkana gögnin þarf ekki að huga að forsendum um dreifingu. er vegna þess að taugakerfislíkanið getur alhæft uppbyggingu inntaksgagna þannig að tauganetið geti fanga þá línulega eiginleika 'fjárhagsgagna.

Grid Search er aðferð til að þjálfa líkan kerfisbundið, með því að nota mismunandi samsetningar af ofurbreytugildum til að þjálfa líkanið, krossgilda hvert líkan þar til besta samsetning gilda finnst til að tryggja besta líkanið. Með samfelldum prófunarbreytum allra samsetninga verður hópur til og viðeigandi samsetning af ofurstillingarfæribreytum sérgreining, ofurfæribreytur í samræmi við eiginleika þeirra til að velja nokkur reynslugildi og síðan í samræmi við mismunandi samsetningar þjálfunarlíkansins, til að velja ákjósanlegasta samsetningu af con'guration, aðstæður minna hentugur fyrir frábær breytur. Tilviljunarkennd leit er að sameina af handahófi yfirfæribreytur og velja síðan ákjósanlega stillingu. Hún gerir ekki óþarfa tilraunir að ómikilvægum breytum vegna þess að rétt eins og reglusetningarstuðlar hafa takmörkuð áhrif á frammistöðu líkansins, hefur námshlutfall meiri áhrif á frammistöðu líkansins, svo það gerir ekki óþarfa tilraunir. Tilviljunarkenndar leitir eru almennt skilvirkari og auðveldari í framkvæmd en netleitir. Hins vegar taka þessar tvær aðferðir ekki til greina hvort það sé fylgni á milli ofþátta, svo þær eru tiltölulega óhagkvæmar. Bayesísk hagræðing er fínstillingaraðferð með aðlagandi háfæribreytum, sem spáir fyrir um næstu mögulega ofurfæribreytusamsetningu byggt á prófuðu háfæribreytusamsetningu til að fá hámarks gagnsemi. Þar sem uppsafnað dreifingarfall Gaussdreifingar er s-gerð fall, er hægt að nálgast GELU fallið með tanh fallinu eða Logistic function eins og sýnt er á mynd 10.

Einfaldasta aðferðin er að auka námshlutfall í gegnum þjálfunarferlið. Að velja lægra námshlutfall gerir fínstillingu kleift að finna góða lausn, en það er auðvelt að takmarka samleitnihlutfallið. Sambandið þar á milli er hægt að jafna með því að taka tíma til að breyta námshlutfallinu. Mynd 11 sýnir námshlutfallið fyrir hvert tímabil.

Eftir margsinnis aðlögunar og hagræðingar eru spániðurstöður fyrir og eftir umbætur sýndar á myndum 12 og 13, í sömu röð. Endanleg líkanbygging og færibreytur sem fæst eru sem hér segir: Raðlengd prófunargluggans er 55 og raðlíkanið samanstendur af þremur LSTM lögum, þar sem fjöldi taugafrumna í hverju lagi er 100, 100 og 150, í sömu röð. Til að koma í veg fyrir ofþenslu er tveimur brottfallslögum bætt við með brottfallslaginu 0,2 og stærð inntaksgagna er 5. þéttu lagi var bætt við til að safna saman vídd þess í 1, virkjunaraðgerðin var línuleg og tapfallið var stillt sem meðaltal. Kvaðrat villa (MSE). Adam var notað sem hagræðingaralgrímið og tvö tímabil voru notuð sem líkanið. Hver lota er 32 að stærð.

Hefðbundið verðspálíkan er einnig dýpkunarlíkan. Í fyrsta lagi er smíðað hefðbundið verðspálíkan; það er, líkanið inniheldur aðeins markaðsgögn og 'fjárhagsgögn. Fyrri markaðsgögn og '-fjárhagsgögn eru notuð til að þjálfa djúpnámslíkanið til að fá þjálfaða djúpnámslíkanið til að spá fyrir um framtíðarmarkaðinn; gróf náttúruleg málvinnslutækni, útdráttur tilfinningalegra upplýsinga og tilfinningalegt mat er framkvæmt á gögnum almennings. Ásamt hefðbundnu verðspálíkani er djúpnámslíkanið þjálfað með því að nota markaðsgögn, „fjárhagsgögn, rannsóknarskýrslur og tilfinningalega tilhneigingu“ fjármálafrétta og líkanið er notað til að spá fyrir um framtíðarmarkaðinn. is, spááhrif hefðbundins verðspárlíkans fyrir verðbréf eru borin saman við spááhrif djúpnámslíkans sem byggir á náttúrulegu máli úrvinnsluniðurstöðum almenningsálitsgagna.

Eftir að hafa ákvarðað fjölda inntakshnúta, úttakshnúta og falinna laghnúta LSTMnetwork líkananna tveggja, er hægt að þjálfa djúpnámslíkanið. Eftir margar tilraunir kemur í ljós að æfingatímar eru of fáir og líkanþjálfunarvillan er of stór, svo það er nauðsynlegt að auka stöðugt æfingatímann, en með auknum þjálfunartímum; villan í líkanþjálfun hefur smám saman tilhneigingu til að verða stöðugt gildi. Ef þjálfunartími líkansins er aukinn mikið á þessum tíma, er líkanið e‡, osfrv. ekki bætt mikið. Það er afleiðing af þjálfun 'rest líkan af C. Þegar æfingatímar eru minni en 200, er villa líkansins mikil. Á þessum tíma mun auka þjálfunartíma fljótt draga úr villu í líkanaþjálfun; Þegar æfingatímar eru fleiri en 200 sinnum og minna en 1000 sinnum hefur líkanvillan verið lítil. Á þessum tíma, þegar þjálfunartíminn er lengdur, hefur minnkun á þjálfunarvillum líkans sýnt minnkandi lögmál; Við þjálfun 1000 til 2000 sinnum breytist villan í líkaninu á litlu svæði og áhrif þess að fjölga þjálfunartímum eru smám saman ekki augljós. gróft margar prófanir og samanburð, það kemur í ljós að þegar fjöldi æfingatíma líkansins er um það bil 2000 sinnum getur það uppfyllt nákvæmniskröfur þjálfunar. Ef þjálfunartímum er fjölgað eru áhrifin af því að bæta líkanþjálfunarvilluna lítill. Þar að auki tekur það langan tíma að þjálfa líkanið í tölvunni, svo það skiptir litlu máli að auka of mikinn þjálfunartíma. Þess vegna setjum við þjálfunartíma djúpnámslíkans í þessari rannsókn á 2000 sinnum. Í síðari líkaninu sannreynum við einnig að það samræmist þessum lögum. Þess vegna setti annað djúpnámslíkanið með upplýsingum um almenningsálitið einnig þjálfunartímana á 2000 sinnum.

5. Niðurstaða

(1) Þessi grein beitir kenningum um djúpnám, byggt á eiginleikum „fjárhagslegra tímaraðagagna“, notar LSTM taugakerfislíkanið til að spá fyrir um verðvísitölu íþróttavöru og ber saman spániðurstöður þess við spániðurstöðurnar með því að nota netlíkanið. Tilraunaniðurstöður sýna að LSTM taugakerfislíkanið hefur besta árangur á prófunarsettinu.

(2) Spálíkan er komið á. Byggt á samanteknum gagnaeiginleikaverkfræði er komið á taugakerfisspálíkani byggt á langtíma- og skammtímatíma og líkanið er þjálfað með þjálfunarsetti til að spá fyrir um verð á íþróttavörum. Tímamörk fyrir fínstillingu líkans, fjöldi falinna taugafrumna, námshraði, lotustærð og þjálfunarhjól voru stillt til að ná sem bestum þjálfunarárangri.

(3) Í þessu spálíkani um þróun íþróttavöruverðs munu mismunandi gögn um íþróttaverð hafa mismunandi áhrif á spááhrifin, þannig að val á gagnasettinu er líka mjög mikilvægt.

Þrátt fyrir að líkanið sem lagt er til í þessari grein nái góðum spániðurstöðum, tekur líkanið ekki tillit til fylgni gagnatíma. Sum tímagluggatól geta verið notuð í framtíðarrannsóknum til að bæta spáskrefstærð og spánákvæmni líkansins.

Aðgengi gagna

Gögnin sem notuð eru til að styðja niðurstöður þessarar rannsóknarsvæðis eru fáanlegar hjá höfundi sé þess óskað.

Hagsmunaárekstrar

Thehöfundur lýsir því yfir að ekki sé um hagsmunaárekstra að ræða.

Heimildir

[1] J. Wang, R. Hou, og C. Wang, "Bætt stuðning vektorregression líkan byggt á breytilegu vali og brainstormoptimization fyrir hlutabréfaverð spá," Applied Soft Computing, bindi. 49, nr. 2, bls. 164–178, 2016.

[2] M. Dixon, D. Klabjan og J. Hoon Bang, "C1assification based financial markets prediction using deep neural networks," Algorithmic Finance, vol. 6, nr. 3-4, bls. 67–77, 2017.

[3] K. Chen, Y. Zhou og FY Dai, "LSTM-undirstaða aðferð við spá um hlutabréfaávöxtun: dæmi um kínverska hlutabréfamarkaðinn," í Proceedings of the 2015 IEEE International Conference on Big Data, vol. 123, nr. 12, bls. 2823-2824, Santa Clara, CA, Bandaríkjunum, 2015.

[4] AE Clements og N. Todorova, "Information flow, tradingactivity and commodity future volatility," Journal of FuturesMarkets, vol. 36, nr. 1, bls. 88–104, 2016.

[5] L. Xuewei og L. Xueyan, "Big data and its key technology inthe future," Computing in Science & Engineering, vol. 20, nr. 4, bls. 75–88, 2018.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic og F. Kaleem, „Veður-undirstaða truflanaspá í snjallnetinu með því að nýta tímaröð gögn,“ Journal of ModernPower Systems and Clean Energy, bindi. 4, nr. 2, bls. 308–315,2016.

[7] X. Zhang, J. Wang og Y. Gao, "Blending skammtíma raforkuverðsspárammi: kúkaleitarbundið eiginleikaval með eintölu litrófsgreiningu og SVM,"Energy Economics, bindi. 81, nr. 6, bls. 16–23, 2019.

[8] G. Osorio, M. Lotfi, VMA Campos og M. Khan, „Hybrid ´spálíkan fyrir skammtímamarkaðsverð á raforku með endurnýjanlegri samþættingu,“ Sustainability, vol. 11, nr. 1, bls. 1–15, 2018.

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

[10] A. Bello, J. Reneses, A. Muñoz og A. Delgadillo, "Probabilistic spá um raforkuverð á klukkustund til meðallangs tíma með því að nota staðbundna innskotstækni," InternationalJournal of Forecasting, vol. 32, nr. 3, bls. 966–980, 2016.

[11] P. Kou, D. Liang, L. Gao og J. Lou, "Probabilistic rafmagnsverðsspá með breytilegum heteroscedastic Gaussianprocess and active learning," Energy Conversion and Management, vol. 89, bls. 298–308, 2015.

For more information:1950477648nn@gmail.com