LSTM tarmog'i asosida sport tovarlarining chakana narxini bashorat qilish

Tovar narxlari iqtisodiyotni tartibga solish dastagi sifatida o'ziga xos rol o'ynaydi. Narxlarni prognoz qilish makro qarorlar qabul qilish va mikromenejmentning muhim qismidir. Tovarlar narxiga ta'sir qiluvchi omillar ko'p bo'lganligi sababli, narxlarni bashorat qilish tadqiqotda qiyinchilikka aylandi. Narx ma'lumotlariga vaqt seriyasidan tashqari boshqa omillar ham ta'sir ko'rsatadigan xususiyatlarga ko'ra, uzoq muddatli va qisqa muddatli xotira tarmog'i (LSTM) chuqur o'rganish algoritmi asosida amultifaktor LSTM narxini bashorat qilish usuli taklif etiladi.

Vaqt ketma-ketligi va xotira ajralmasdir. Vaqt seriyalari vaqt rivojlanishining muntazam ifodasidir va xotira insonning eng muhim qobiliyatlaridan biridir. Bu bizga o'tgan tajribalarni eslab qolishga, kelajakdagi tendentsiyalarni bashorat qilishga va to'g'ri qarorlar qabul qilishga yordam beradi.

Vaqt seriyalari atrof-muhitdagi o'zgarishlar va tendentsiyalarni yaxshiroq tushunishga yordam beradi, bu biz uchun to'g'ri qarorlar qabul qilish va kelajakni rejalashtirish uchun juda muhimdir. Vaqt seriyalarining muntazamligi tufayli biz ba'zi muhim vaqt seriyalarini tahlil qilganda, biz voqea yoki tendentsiyaning rivojlanish yo'nalishini oldindan taxmin qilishimiz mumkin. Ushbu bashoratlar bizga rejalarni yaxshiroq rejalashtirishga va shu tariqa maqsadli qarorlar qabul qilishga yordam beradi.

Shu bilan birga, xotira ham juda muhimdir. Bizning xotiramiz o'tgan voqealarni, shu jumladan o'tmishdagi muvaffaqiyatlar va muvaffaqiyatsizliklarni eslab qolishimizga yordam beradi. Shunga o'xshash vaziyatlarga duch kelganimizda, o'tmishdagi tajribalarni eslab, to'g'riroq qaror qabul qilishimiz mumkin. Bundan tashqari, xotira kelajakdagi tendentsiyalarni bashorat qilishimizga yordam beradi. Shunga o'xshash hodisalarni taqqoslash orqali biz voqealarning rivojlanish naqshlarini yaxshiroq tushunishimiz va kelajakdagi voqealarni bashorat qilishimiz mumkin.

Shu sababli, vaqt seriyalari va xotiraning kombinatsiyasi atrof-muhit va tendentsiyalardagi o'zgarishlarni yaxshiroq tushunishga va kelajakdagi rivojlanish yo'nalishlarini aniqroq bashorat qilishga yordam beradi. Ular bizga kelajakni yaxshiroq rejalashtirish va to'g'ri qarorlar qabul qilishimizga yordam beradi. Shu bilan birga, u bizning shaxsiy o'sish va rivojlanishimizda juda muhim rol o'ynaydi. Biz vaqt ketma-ketligi va xotirani o'rganish va tushunishni kuchaytirishimiz kerak. Ko'rinib turibdiki, biz xotirani yaxshilashimiz kerak. Cistanche deserticola xotirani sezilarli darajada yaxshilashi mumkin, chunki Cistanche deserticola neyrotransmitterlar muvozanatini ham tartibga solishi mumkin, masalan, atsetilxolin va o'sish omillari darajasini oshirish. Ushbu moddalar xotira va o'rganish uchun zarurdir. Bundan tashqari, go'sht qon oqimini yaxshilaydi va kislorod yetkazib berishni rag'batlantiradi, bu esa miyaning etarli miqdorda ozuqa va energiya olishini ta'minlaydi, shu bilan miya hayotiyligi va chidamliligini oshiradi.

Miya faoliyatini yaxshilash yo'llarini bilish tugmasini bosing

Bu usul nafaqat tarixiy ma'lumotlar uchun LSTM xotirasidan foydalanadi, balki to'liq ulanish qatlami orqali narxga tashqi omillarning ta'sirini ham kiritadi, bu esa narxlarni bashorat qilish muammosini hal qilish uchun yangi g'oyani ta'minlaydi. BP neyron tarmog'i bilan solishtirganda, Eksperimental natijalar shuni ko'rsatadiki, bu usul yuqori aniqlik va barqarorlikka ega. Tovar tavsifi va tovar bahosi xususiyatlarini tahlil qilish, maqsadli tovarga o'xshash tovarlarni aniqlash, o'xshash tovarlarning tarixiy narxlari ma'lumotlaridan foydalangan holda tovar narxi ma'lumotlarini to'ldirish va o'qitishni tashkil etish. taklif qilingan usulning to'g'riligini tekshirish uchun o'rnatiladi.

1.Kirish

Tovar bozorining e-bozor ko'lami kundan-kunga kengayib bormoqda, savdo navlari boyib bormoqda va savdo mexanizmi tobora standartlashtirilmoqda. Tovar bozori rivojlanganidan beri u muhim "moliyaviy bozor"ga aylandi. Bozorda eprice signalining tarqalishi korxona ishlab chiqarishida, xalqaro savdoda va iqtisodiyotni tartibga solishda muhim rol o'ynaydi [1]. Xitoyning tovar birjalari ham ko'p yillik faoliyat va rivojlanish jarayonida boy bozor ma'lumotlarini to'plagan.

Tadqiqotchilar turli tovarlarning tranzaksiya ma'lumotlarini to'playdi, saralaydi va tahlil qiladi, so'ngra bir xil tovar indekslarini qo'shadi va tuzadi. Ushbu indekslar tegishli tovarlar narxining o'zgarishining umumiy holatini va tovar iqtisodiyotining rivojlanish tendentsiyasini o'zgartirishi va davlat funktsional institutlariga makroiqtisodiyotning yakuniy holatini tushunishga yordam berishi mumkin; shu bilan birga, tegishli korxonalar tovar indeksida mavjud bo'lgan guruch tovarlari narxi haqidagi ma'lumotlardan ham foydalanishlari mumkin. o'z biznes qarorlarini qabul qilish, sotib olingan miqdorni oqilona tartibga solish va keraksiz iqtisodiy yo'qotishlarni minimallashtirish [2, 3].

Tijorat faoliyati milliy iqtisodiyotda tobora muhim o'rinni egallaydi. Tijorat xulq-atvori nafaqat ishlab chiqarish hajmi bo'yicha milliy iqtisodiyotga muhim hissa qo'shadi, balki bozor munosabatlarini rivojlantirishda, bozor mexanizmlarini takomillashtirishda va mehnat bandligi muammosini hal qilishda ham muhim rol o'ynaydi [4]. Bugungi kunda axborot texnologiyalarining yuqori rivojlanishi bilan elektron chakana savdo, yangi chakana tovar sotish modeli sifatida jadal rivojlandi. Odamlar Internet orqali minglab tovar ma'lumotlarini olishlari va uylaridan chiqmasdan butun dunyo bo'ylab tovar sotuvchilari bilan bog'lanishlari mumkin [5].

Elektron tijoratning paydo bo'lishi odamlarning hayotini sezilarli darajada osonlashtirdi, odamlarning iste'mol qilish ishtiyoqini oshirdi va iste'mol bozorining hayotiyligini oshirdi; elektron chakana savdoning rivojlanishi biznes bozorining gullab-yashnashiga turtki bo'ldi. Internetda o'n minglab chakana tovarlar namoyish etiladi va sotiladi, bu esa tovar sotish narxini pasaytiradi va sotish samaradorligini oshiradi. Shu bilan birga, elektron chakana savdo Internetga tayanganligi sababli, u ma'lumot va ma'lumotlarni olish va saqlashda tabiiy afzalliklarga ega. Korxonalar axborot texnologiyalari orqali katta hajmdagi ma'lumotlarni oladi. Ushbu ma'lumotlarni qanday qazib olish va qimmatli qonunlarni topish, korxonalarning biznes qarorlarini qabul qilishda rahbarlik qilish, savdo modelini yaxshilash, samarali savdo strategiyalarini shakllantirish va nihoyat elektron tijoratdan iqtisodiy foyda olish. Ko'pgina korxonalar tijorat ma'lumotlarini qazib olish yo'nalishiga sarmoya kiritishni boshlaydilar va o'zlarining tijorat ma'lumotlarini qazib olish sxemalarini ishlab chiqadilar.

Izlanish ma'lumotlarini tahlil qilish ma'lumotlar tahlilining muhim bosqichi bo'lib, u dastlabki ma'lumotlarni tahlil qilishdan farq qiladi. * Dastlabki ma'lumotlarni tahlil qilishda asosiy e'tibor tasdiqlovchi tahlilning ishonchliligini ta'minlash uchun statistik modellar va gipotezalarni identifikatsiyalash talablari bajariladimi yoki yo'qmi? Ushbu tahlil jarayonida sifatsiz ma'lumotlar etishmayotgan qiymatlar bilan to'ldiriladi, ma'lumotlarni konvertatsiya qilish, o'zgaruvchan qiymatdan voz kechish va tahlilning aniqligini oshirish uchun boshqa ishlov berish. Tadqiqot ma'lumotlarini tahlil qilish dastlabki ma'lumotlarni tahlil qilishni o'z ichiga oladi, lekin uning boshlang'ich nuqtasi nafaqat ma'lumotlar sifatini aniqlash, balki ma'lumotlarni taqsimlash naqshlarini (Patten) aniqlash va ma'lumotlardan yangi farazlarni taklif qilishdir. Tadqiqot ma'lumotlarini tahlil qilish bir nechta jarayonlarga ta'sir qilishi mumkin bo'lgan ma'lumotlar fanining ish oqimining asosiy bosqichi sifatida aniqlanadi. 1-rasmda ko'rsatilgan ma'lumotlar fanining ish jarayonida tadqiqot ma'lumotlarini tahlil qilish boshqa jarayonlar bilan chambarchas bog'liq.

Har bir asosiy model treninglar to'plamining kirish o'zgaruvchilarini alohida o'rgatadi. * qo'pol nazorat ostida o'rganish, har bir bazaviy model. Har bir tayanch modelning oʻquv toʻplamining taxminiy qiymati uchun oʻrtacha ogʻirlikdan foydalangan holda vazn oʻrnatiladi, soʻngra belgilangan ogʻirlik qiymati har bir tayanch modelning test toʻplamining bashorat qilingan qiymatiga tayinlanadi [9, 10]. Prognoz vazn qiymatini koʻpaytirish va kesish Bashorat qilingan qiymatlarning Getmodel test to'plami. 2-rasmda modelning qurilish jarayoni va diagrammasi ko'rsatilgan. Rasmdan bilamizki, u asosan ma'lumotlarni oldindan qayta ishlashni va bir nechta LSTM modellarining bir nechta bashorat natijalarini o'z ichiga oladi va bashorat natijalari bir nechta parametrlarni tortish orqali birlashtiriladi va yaxshilanadi.

Sport mahsulotlarining har bir asosiy modelining vazn qiymatini tahlil qilib, bashorat qilish aniqligi yuqori bo'lgan asosiy model ko'proq og'irlik olishi aniqlandi. 3-rasm texnologiya yo'l xaritasi.

2. Tegishli ish

Narxlarni bashorat qilish - bu tovarlarning tarixiy qiymati va narx tendentsiyasiga muvofiq kelajakdagi narxlar o'zgarishini dinamik tahlil qilishning bashorat qilish xatti-harakatini anglatadi [11]. *e mualliflari [12] yuqori tezlikda harakatlanuvchi poyezdlarning tebranishini vaqt seriyasidan bashorat qilish uchun takroriy neyron tarmoq modelidan foydalangan va yaxshi natijalarga erishgan.

Oddiy vaqt seriyalari algoritmini ishlab chiqish bilan oddiy vaqt seriyalari tahlilini qo'llash asta-sekin kengayib bormoqda. Hozirgi vaqtda oddiy vaqt qatorlarini tahlil qilish algoritmi qishloq xo'jaligi narxlari, sanoat tovarlari narxini bashorat qilish, moliyaviy aktsiyalar narxini prognozlash va boshqa ko'plab sohalarda mavjud bo'lib, u ma'lumotlarning tahlilida kamroq qo'llanilishi, shu bilan birga past samarali ma'lumotlar tufayli keng qo'llanilishiga ega. tarixni tahlil qilish, natijalarni bashorat qilishga olib keladi, hali ham ijtimoiy rivojlanish ehtiyojlarini qondira olmaydi.

Oddiy vaqt seriyalariga asoslangan narxlarni prognozlash algoritmining tadqiqot holati: elektr energiyasi narxining o'zgarishi davriyligi va mavsumiyligiga ko'ra, Markjasz va boshqalar. [13, 14] mavsumiylikning kelajakdagi energiya narxining o'zgarishiga ta'sirini tahlil qildi va NARX neyron tarmoqlari modelini quvvat narxini bashorat qilish uchun ishlatdi, bu yaxshi natijalarga erishdi. Yaxshi bashorat qilish natijalariga erishish uchun [15] mualliflari asosiy komponentlar tahlilidan foydalangan holda Grafik neyron tarmoqlarining Denoising Agregatsiyasini ishlab chiqdilar. Vang va boshqalar. [16–18] elektr energiyasi narxini qisqa muddatli prognozlashni oʻrgandi, noaniq avtomatik kodlovchilarga bardosh berdi, gibrid prognozlash tizimini tadqiq qildi va qoʻlladi va mos ravishda havo sifati indeksining ikki fazali parchalanish texnikasi va oʻzgartirilgan ekstremal oʻrganish mashinasi (ELM) uchun yangi gibrid modelni taklif qildi. Chong va boshqalar. [19, 20] fond bozorini tahlil qilish va bashorat qilish uchun chuqur o'rganish tarmoqlarini o'rganib chiqdi va mos ravishda mashinani o'rganish orqali aktivlarning empirik bahosini o'tkazdi. Nilashi va boshqalar. Ekologik toza mehmonxonalarda mijozlar qarorlarini qabul qilish uchun katta ijtimoiy ma'lumotlarni tahlil qilish uchun analitik yondashuvni taqdim etdi va taklif qilingan yechimni ikkita ochiq ma'lumotlar to'plamida sinab ko'rdi [21]. Yuqoridagi ishlarga qo'shimcha ravishda, Hoseinzade [22] ANN modelini va CNN modelini birlashtirdi, ma'lum davrda ShanxayFuturesning ko'tarilishi va tushishini bashorat qildi va yaxshi bashorat natijalariga erishdi. Investorlar, shuningdek, Chen va Ge [23] yordami bilan investitsiya qarorlarini qabul qilishlari mumkin [23] LSTM asosidagi Gonkong aktsiyalari narxining harakatini bashorat qilishda e'tibor mexanizmini o'rganib chiqdi. Fang va boshqalar. chuqur o'rganishga asoslangan miqdoriy investitsiya strategiyalarini tadqiq qilish[24]. Yuqorida keltirilgan munozaralarga asoslanib, ushbu maqolaning asosiy hissalari quyidagicha umumlashtiriladi:

(1) RNN modelining takomillashtirilgan tuzilishi sifatida LSTM modeli nafaqat vaqt seriyasi ma'lumotlari bilan ishlash uchun mos keladigan RNN modelining xususiyatlarini meros qilibgina qolmay, balki vaqt o'lchamiga uzoq muddatli bog'liqlik muammosini yanada hal qiladi va bashorat qilishning aniqligini oshiradi. Uning bashorat qilish effekti BP neyron tarmog'i, RNN, CNN, GRU va boshqa neyron tarmoq modellaridan ustundir.

(2) Grid Search modelni turli parametrlarga o'rgatish va modelning eng yaxshi ishlashini ta'minlash uchun qiymatlarning optimal kombinatsiyasi topilgunga qadar har bir modelni o'zaro tekshirish uchun ishlatiladi.

(3) *e optimallashtirilgan model test to'plamida tekshiriladi va o'rtacha kvadrat xatosi modelning haddan tashqari mos kelishini oldini olish uchun baholash indeksi sifatida ishlatiladi. *e natijalari shuni ko'rsatadiki, model o'quv majmuasida ham, test to'plamida ham past o'rtacha kvadrat xatoga erishadi va yon bashorat natijalarini oladi.

3. LSTM tarmog'i

LSTM neyron tarmog'i birinchi marta Hochreiter va boshqalar (1997) tomonidan taklif qilingan va Aleks Graves tomonidan optimallashtirilgan va takomillashtirilgandan so'ng yanada kengaytirilgan. Ma'lumotlar ketma-ketligi bilan bog'liq ko'plab amaliy muammolarda LSTM katta muvaffaqiyatlarga erishdi va tabiiy tilni qayta ishlash (NLP), vaqt seriyalarini bashorat qilish va boshqalar kabi keng qo'llanildi.

An'anaviy takroriy neyron tarmog'i (RNN) uzoq muddatli ketma-ketlik muammosini hal qila olmaydi, bu muammoni hal qilish uchun LSTM neyron tarmog'i hujayra holatini va turli vaqtlarda chiqishi muammosini engillashtirish uchun nazorat qilish uchun "eshik" strukturasini qo'shish orqali taklif etiladi. gradientning yo'qolishi. LSTM ning "eshik" strukturasi uchta turni o'z ichiga oladi: "unutish eshigi", "kirish eshigi" va "chiqish eshigi". "Unutish darvozasi" ning vazifasi oldingi vaqtdan hozirgi vaqtga uzatilgan ma'lumotni baholash va 4-rasmda ko'rsatilganidek, ba'zi ma'lumotlarni tanlab "unutish". , ReLU (Recti'ed Linear Unit) faollashtirish funktsiyasi gradient yo'qolishini engillashtirishi mumkin, gradient kesish gradient portlashini bartaraf qilishi mumkin va LSTM birligi gradient yo'qolishini nazorat qilishi mumkin.

LSTM ketma-ketlik ma'lumotlarini mukammal modellashtirish qobiliyatini ko'rsatuvchi mashina tarjimasi, suhbatlarni yaratish va boshqa sohalarda muvaffaqiyatli qo'llanildi. Shu sababli, ushbu maqola LSTM tarmoq blokiga asoslangan sport tovarlarini bashorat qilish modelining chakana narxini tuzadi va uning xususiyatidan to'liq foydalanishi mumkin, chunki har qanday uzunlik ketma-ketligi kirish sifatida ishlatilishi va onlayn ma'lumotlarni aniqlashda qo'llanilishi mumkin. LSTM [25] ni joriy qilish orqali RNN uzoq muddatli qaramlikni hal qila olmaydigan muammoni hal qiladi.

Butun yashirin qatlamdagi kirish neyronlari soni G bo'lsin, G barcha birliklar va eshiklarni o'z ichiga oladi va ushbu kirish neyronlarini ifodalash uchun G indeksidan foydalaning. e LSTM ning oldinga hisobi boshlang'ich nuqtasi t 1 bo'lgan d vaqt uzunligi bilan X kirish ketma-ketligini hisoblashdan iborat [26, 27]. Vaqt nuqtasi T qiymati doimiy ravishda oshib borsa, tenglama t t ga qadar rekursiv ravishda yangilanadi. To'g'ridan-to'g'ri hisoblash kabi, teskari hisoblash T vaqt uzunligiga ega bo'lgan X kirish ketma-ketligidir, lekin teskari hisoblashning boshlang'ich nuqtasi T T dir. T qiymati doimiy ravishda kamayganda, birlikning o'zaro nisbati 1 1 gacha rekursiv hisoblab chiqiladi. Hosilasiga ko'ra. Yuqoridagi har bir vaqt nuqtasida biz og'irlik hosilasi qiymatini olishimiz mumkin.

Bu erda Wf va bf mos ravishda unutish eshigining og'irligi va og'irligini, s esa Sigmoid funktsiyani ifodalaydi.

4. Ma'lumotlarni qayta ishlash va o'rganish

on*Ushbu maqolaning asosiy innovatsion nuqtasi an'anaviy LSTM modelini takomillashtirish va uni sport mahsulotlarining chakana narxini prognoz qilish uchun qo'llashdir, shuning uchun biz uni asosan an'anaviy LSTM modeli bilan taqqoslaymiz. Ikkinchidan, haqiqiy ma'lumotlar to'plami qimmatli va olish qiyin bo'lganligi sababli, ushbu maqola simulyatsiya tajribasi uchun faqat bitta ma'lumot to'plamidan foydalanadi. Ma'lumotlar sifati tanlangan modelni tayyorlashga ta'sir qilganligi sababli, ma'lumotlarni yig'ish, tahlil qilish va qayta ishlash modelni o'qitishdan oldingi asosiy bosqichdir. * Ushbu maqoladagi ma'lumotlar asosan ikkita qismni o'z ichiga oladi: tadqiqot ob'ekti va xarakteristik ma'lumotlar.

Tovarlarning umumiy bahosi sport tovarlari narxiga qaratilgan. 5-rasmda ko'rsatilganidek, turli xil sport tovarlarining tavsifiy statistik tahlilini o'tkazish va ularning yakuniy narxlari jadvalini [31, 32] chizish uchun Python dasturidan foydalaning. va normal taqsimotga bo'ysunmaydi.

n.4.1. Ma'lumotlar shovqinini kamaytirish. Bozor dinamikasi juda murakkab bo'lganligi sababli, bu ma'lumotlar kamdan-kam uchraydigan shovqinlarni o'z ichiga oladi, shuning uchun Python kutubxonasi ma'lumotlar shovqinlarini olib tashlash uchun to'lqinli transformatsiya uchun ishlatiladi [33]. Shuni ta'kidlash kerakki, ushbu maqolada an'anaviy to'lqin o'zgarishi modeli qo'llaniladi. U Furye transformatsiyasining qisqa muddatli lokalizatsiyasi g'oyasini meros qilib oladi va rivojlantiradi va chastota bilan o'zgarmaydigan oyna o'lchamidagi kamchiliklarni bartaraf etadi. U "vaqt-chastota" oynasini chastota bilan almashtirishni ta'minlashi mumkin, bu vaqt chastotasini tahlil qilish va signallarni qayta ishlash uchun ideal vositadir. *Shuning uchun u moliyaviy ma'lumotlardagi shovqinlarni olib tashlash uchun juda mos keladi. 6 va 7-rasmlarda to'lqin o'zgarishidan oldingi va keyingi taqqoslashlar keltirilgan.

n.LSTM neyron tarmog‘ini o‘qitish tugallangandan so‘ng, 8-rasmda ko‘rsatilganidek, 1-model va 2-modelning bashorat natijalari va mos keladigan MSE qiymatlari, 1-model va 2-modelning bashorat natijalari esa 9-rasmda keltirilgan.

9.*Model o'qitishning asosiy g'oyasi ma'lumotlardagi qoidalarni ochib berish uchun o'quv ma'lumotlari to'plamiga qoidalar tizimi to'plamini moslashtirishdir. Boshqacha qilib aytganda, moslik modelning ma'lumotlarga qanchalik yaxshi yoki qanchalik yaxshi umumlashtirilishi mumkinligini tavsiflaydi. test to'plamida Yaxshi model yaxshi model ishlashiga olib keladi va o'quv ma'lumotlar to'plamidan tashqari yangi ma'lumotlar, ya'ni namunadan tashqari ma'lumotlar bilan tasdiqlanishi mumkin. Ma'lum bo'lishi mumkin bo'lgan parametrlarga qo'shimcha ravishda, turli modellar turli xil giperparametrlarni talab qiladi, bu parametrlar o'rgatish shart emas.

Parametrlar model uchun juda muhim va ta'lim ma'lumotlariga bog'liq. O'quv jarayonining bir qismi sifatida LSTM modeli optimallashtirish usullari orqali trening ma'lumotlaridan parametrlarni o'rganish orqali yaxshiroq bashorat olish uchun yanada moslashtiriladi va optimallashtiriladi [34-37].

Iqtisodiy tadqiqot jarayoni odatda iqtisodiy modellarni qurish orqali iqtisodiy hodisalarni tushuntirishdan iborat.Umumiy qabul qilingan iqtisodiy hodisalar olimlar tomonidan tasdiqlansa, ularni tipik faktlar ko'rinishida sanab o'tish kerak. Keyingi tadqiqotlarda, agar umumiy muvozanat holatidagi modelning yechimi odatiy faktlarga mos kelsa, bu modelning ko'p darajada oqilona ekanligini tushuntirishi mumkin. "Moliyaviy muammolarni o'rganishda, ayniqsa "moliyaviy vaqtli daromadlilik qatorlarini o'rganishda, ko'pincha ba'zi umumiy statistik xususiyatlarni kuzatish mumkin. Olimlarning bir o'zgaruvchan qaytish seriyalari haqidagi tipik faktlariga ko'ra, ular quyidagicha umumlashtiriladi: ular ko'pincha avtokorrelyatsiyani ko'rsatadi; Ko'pincha uzoq xotirani ko'rsatadi; e mutlaq qaytish avtokorrelyatsiyasining sekin yemirilishi; eng yuqori qalin quyruq taqsimoti; taqsimot shakli vaqt o'tishi bilan o'zgaradi; to'lqinlarni yig'ish effekti; Žactuation agregatsiyasini o'zgartirgandan so'ng, hali ham shartli qalin quyruq e‡ va boshqalar mavjud. Mustaqil va bir xil taqsimlangan deb taxmin qilinganda, "sinovdan o'tgan" moliyaviy vaqt seriyasi modelining ishlashi ko'pincha optimal emas, shuning uchun ma'lumotlarning taqsimlanish xususiyatlarini hisobga olish kerak. Daromadlar seriyasini modellashtirishda. Ma'lumotlarni modellashtirish uchun neyron tarmoq modeli qo'llanilganda, tarqatish taxminini hisobga olish kerak emas. Buning sababi shundaki, neyron tarmoq modeli kiritilgan ma'lumotlarning strukturasini umumlashtirishi mumkin, shunda "moliyaviy ma'lumotlarning nochiziqli xarakteristikalari neyron tarmoq tomonidan ushlanishi mumkin".

Grid Search - modelni o'rgatish uchun giperparametr qiymatlarining turli kombinatsiyalaridan foydalangan holda modelni muntazam ravishda o'qitish usuli, eng yaxshi model ishlashini ta'minlash uchun qiymatlarning optimal kombinatsiyasi topilmaguncha har bir modelni o'zaro tasdiqlash. Barcha kombinatsiyalarning parametrlarini doimiy sinovdan o'tkazish orqali super konfiguratsiya parametrlarining bir guruhi va eng mos kombinatsiyasi diskretizatsiya bo'ladi, ularning xususiyatlariga ko'ra super parametrlar bir nechta tajriba qiymatlarini tanlash uchun, so'ngra o'quv modelining turli kombinatsiyalariga ko'ra, optimal kombinatsiyani tanlash uchun. kon'yunktura, super parametrlar uchun kamroq mos bo'lgan holatlar. Tasodifiy qidiruv giperparametrlarni tasodifiy birlashtirish va keyin optimal konfiguratsiyani tanlashdir. Bu muhim bo'lmagan parametrlar bo'yicha keraksiz urinishlar qilmaydi, chunki tartibga solish koeffitsientlari model ishlashiga cheklangan ta'sir ko'rsatganidek, o'rganish tezligi ham modelning ishlashiga ko'proq ta'sir qiladi, shuning uchun u keraksiz urinishlarni amalga oshirmaydi. Tasodifiy qidiruvlar, odatda, grid qidiruvlariga qaraganda samaraliroq va amalga oshirish osonroqdir. Biroq, bu ikki usul giperparametrlar o'rtasida korrelyatsiya mavjudligini hisobga olmaydi, shuning uchun ular nisbatan samarasizdir. Bayesian optimallashtirish - moslashuvchi giperparametrlarni optimallashtirish usuli bo'lib, u maksimal foydalilikni olish uchun sinovdan o'tgan giperparametrlar birikmasi asosida keyingi mumkin bo'lgan giperparametrlar birikmasini bashorat qiladi. Gauss taqsimotining kümülatif taqsimot funksiyasi s-tipli funksiya boʻlganligi sababli, GELUfunktsiyani 10-rasmda koʻrsatilganidek, tanh funksiyasi yoki Logistik funksiya bilan yaqinlashtirish mumkin.

Eng oddiy strategiya - bu butun mashg'ulot jarayonida o'rganish tezligini oshirishdir. Kichikroq o'rganish tezligini tanlash optimallashtiruvchiga yaxshi yechim topishga imkon beradi, ammo konvergentsiya tezligini cheklash oson. Ikkisi o'rtasidagi munosabatlarni o'rganish tezligini o'zgartirish uchun vaqt ajratish orqali muvozanatlash mumkin. 11-rasmda har bir davr uchun o'rganish tezligi ko'rsatilgan.

Ko'p marta o'zgartirish va optimallashtirishdan so'ng, takomillashtirishdan oldin va keyin bashorat qilish natijalari mos ravishda 12 va 13-rasmlarda ko'rsatilgan. Olingan model tuzilishi va parametrlari quyidagicha: sinov oynasining ketma-ket uzunligi 55 ga teng va ketma-ket model uchta LSTM qatlamidan iborat bo'lib, har bir qatlamdagi neyronlar soni 100, 100 va 150, mos ravishda. Haddan tashqari o'rnatishning oldini olish uchun ikkita Dropout qatlami qo'shiladi, bu 0,2 ga teng, kirish ma'lumotlarining o'lchami esa 5 ga teng. E zich qatlam uning o'lchamini 1 ga jamlash uchun qo'shildi, faollashtirish funktsiyasi chiziqli edi va yo'qotish funktsiyasi o'rtacha sifatida o'rnatildi. Kvadrat xato (MSE). Optimallashtirish algoritmi sifatida Adam ishlatilgan va model sifatida ikkita Epoch ishlatilgan. Har bir partiya 32 donadan iborat.

an'anaviy narxlarni prognozlash modeli ham chuqur o'rganish modelidir. Birinchidan, an'anaviy narxlarni bashorat qilish modeli quriladi; ya'ni model faqat bozor ma'lumotlarini va "moliyaviy ma'lumotlarni" o'z ichiga oladi. oldingi bozor ma'lumotlari va "-moliyaviy ma'lumotlar kelajakdagi bozorni bashorat qilish uchun chuqur o'rganish modelini olish uchun chuqur o'rganish modelini o'rgatish uchun ishlatiladi; Qo'pol tabiiy tilni qayta ishlash texnologiyasi, hissiy ma'lumotlarni olish va hissiy baholash jamoatchilik fikri ma'lumotlari bo'yicha amalga oshiriladi. An'anaviy narxlarni bashorat qilish modeli bilan birgalikda chuqur o'rganish modeli bozor ma'lumotlari, "moliyaviy ma'lumotlar, tadqiqot hisobotlari va "moliyaviy yangiliklarning hissiy tendentsiyalari" ma'lumotlaridan foydalangan holda ishlab chiqilgan va model kelajakdagi bozorni bashorat qilish uchun ishlatiladi. uz, an'anaviy qimmatli qog'ozlar narxini bashorat qilish modelining bashorat ta'siri jamoatchilik fikri ma'lumotlarini tabiiy tilda qayta ishlash natijalariga asoslangan chuqur o'rganish modeli bilan taqqoslanadi.

Ikki model LSTM tarmog'ining kirish tugunlari, chiqish tugunlari va yashirin qatlam tugunlari sonini aniqlagandan so'ng, chuqur o'rganish modelini o'rgatish mumkin. Ko'p tajribalardan so'ng, mashg'ulot vaqtlari juda kamligi va namunaviy o'qitish xatosi juda katta ekanligi aniqlandi, shuning uchun mashg'ulotlar vaqtini doimiy ravishda oshirish kerak, lekin mashg'ulot vaqtini oshirish bilan; modelni o'qitish xatosi asta-sekin barqaror qiymatga intiladi. Agar bu vaqtda modelni o'qitish vaqti ancha oshirilsa, e‡ modeli va boshqalar unchalik yaxshilanmagan. Bu "S"ning dam olish modelini o'rgatish natijasidir. Trening vaqti 200 dan kam bo'lsa, modelning xatosi katta bo'ladi. Hozirgi vaqtda mashg'ulotlar vaqtini oshirish namunaviy o'qitish xatosini tezda kamaytiradi; Trening vaqti 200 martadan ortiq va 1000 martadan kam bo'lsa, model xatosi kichik bo'ladi. Ayni paytda, mashg'ulot vaqtlari ko'paytirilganda, namunaviy o'qitish xatoligining pasayish darajasi pasayib borayotgan qonunni ko'rsatdi; 1000 dan 2000 martagacha mashq qilganda, modelning xatosi kichik maydonda o'zgaradi va mashg'ulot vaqtlari sonini oshirish ta'siri asta-sekin aniq bo'lmaydi. Taxminiy ko'plab testlar va taqqoslashlar shuni ko'rsatadiki, agar modelning mashg'ulotlar vaqti taxminan 2000 marta bo'lsa, u o'qitishning aniqlik talablariga javob berishi mumkin. Agar mashg'ulot vaqtlari soni ko'paytirilsa, modelni o'qitish xatosini yaxshilash samarasi kichik bo'ladi, Bundan tashqari, modelni kompyuterda o'rgatish uzoq vaqt talab etadi, shuning uchun juda ko'p mashg'ulot vaqtlarini ko'paytirish unchalik ahamiyatga ega emas. Shuning uchun biz ushbu tadqiqotda chuqur o'rganish modelini o'qitish vaqtini 2000 marta belgiladik. Keyingi modelda biz uning ushbu qonunga muvofiqligini ham tekshiramiz. Shu sababli, jamoatchilik fikri ma'lumotlariga ega bo'lgan ikkinchi chuqurlashtirilgan ta'lim modeli ham mashg'ulotlar vaqtini 2000 marta belgilab qo'ydi.

5. Xulosa

(1) Ushbu maqola "moliyaviy vaqt seriyalari ma'lumotlari" xususiyatlariga asoslangan chuqur o'rganish nazariyasini qo'llaydi, sport tovarlari narxlari indeksini bashorat qilish uchun LSTM neyron tarmog'i modelidan foydalanadi va uning bashorat natijalarini tarmoq modelidan foydalangan holda bashorat natijalari bilan taqqoslaydi. Eksperimental natijalar shuni ko'rsatadiki, LSTM neyrontarmoq modeli test to'plamida eng yaxshi ko'rsatkichga ega.

(2) bashorat qilish modeli yaratildi. Harakatlangan ma'lumotlar xususiyatlari muhandisligi asosida uzoq va qisqa muddatli xotiraga asoslangan neyron tarmog'ini bashorat qilish modeli o'rnatildi va model sport tovarlari narxini bashorat qilish uchun treninglar majmuasi bilan o'qitiladi. Modelni optimallashtirish oralig'i, yashirin qatlam neyronlari soni, o'rganish tezligi, partiya hajmi va mashg'ulot g'ildiragi eng yaxshi ta'lim natijalariga erishish uchun sozlandi.

(3) Ushbu sport tovarlari narxlari tendentsiyasini bashorat qilish modelida turli sport narxlari ma'lumotlari bashorat qilish effektiga turli xil ta'sir ko'rsatadi, shuning uchun ma'lumotlar to'plamini tanlash ham juda muhimdir.

Ushbu maqolada taklif qilingan model yaxshi bashorat qilish natijalariga erishgan bo'lsa-da, model ma'lumotlar vaqtining korrelyatsiyasini hisobga olmaydi. Ba'zi toymasin vaqt oynasi vositalaridan modelning bashorat qilish qadami hajmini va bashorat aniqligini yaxshilash uchun kelajakdagi tadqiqotlarda foydalanish mumkin.

Ma'lumotlar mavjudligi

Ushbu tadqiqot natijalarini qo'llab-quvvatlash uchun foydalanilgan ma'lumotlar muallifning so'roviga binoan mavjud.

Manfaatlar to'qnashuvi

Themuallif manfaatlar to'qnashuvi yo'qligini e'lon qiladi.

Ma'lumotnomalar

[1] J. Vang, R. Xou va C. Vang, "Aktsiyalar narxini prognoz qilish uchun o'zgaruvchan tanlov va miya hujumini optimallashtirishga asoslangan takomillashtirilgan qo'llab-quvvatlovchi vektorregressiya modeli", Applied Soft Computing, jild. 49, yo'q. 2, 164–178-betlar, 2016 yil.

[2] M. Dixon, D. Klabjan va J. Hoon Bang, "C1assificationbased moliyaviy bozorlarni chuqur neyron tarmoqlar yordamida bashorat qilish", Algoritmik moliya, jild. 6, yo'q. 3-4, 67–77-betlar, 2017 yil.

[3] K. Chen, Y. Chjou va FY Dai, 2015 yilgi IEEE xalqaro konferentsiyasining Big Data bo'yicha materiallari, jild. 123, yo'q. 12, 2823-2824 bet, Santa Klara, CA, AQSH, 2015 yil.

[4] AE Klements va N. Todorova, "Axborot oqimi, savdo faoliyati va tovar fyucherslarining o'zgaruvchanligi", Journal of FuturesMarkets, vol. 36, yo'q. 1, 88–104-betlar, 2016 yil.

[5] L. Xuewei va L. Xueyan, "Katta ma'lumotlar va uning kelajakdagi asosiy texnologiyalari", Computing in Science & Engineering, jild. 20, yo'q. 4, bet. 75–88, 2018 yil.

[6] AI Sarvat, M. Amini, A. Domijan, A. Damnyanovich va F. Kaleem, "Xronologik ma'lumotlardan foydalangan holda aqlli tarmoqdagi ob-havoga asoslangan uzilishlarni bashorat qilish", Journal of ModernPower Systems and Clean Energy, jild. 4, yo'q. 2, 308–315, 2016-betlar.

[7] X. Zhang, J. Vang va Y. Gao, "Elektr energiyasi narxini qisqa muddatli prognozlashning gibrid asosi: yakka spektrli tahlil va SVM bilan kuku qidiruviga asoslangan xususiyatni tanlash," Energiya iqtisodiyoti, jild. 81, yo'q. 6, 16–23-betlar, 2019 yil.

[8] G. Osorio, M. Lotfi, VMA Campos va M. Khan, "Gibrid ´qayta tiklanadigan integratsiyalashgan elektr energiyasi bozori narxlari uchun qisqa muddatli prognozlash modeli", Sustainability, vol. 11, yo'q. 1, bet. 1–15, 2018 yil.

[9] A. Bello, DW Bunn va J. Reneses, "Elektr energiyasi narxlarining o'rta muddatli probabilistik prognozi: gibrid yondashuv", IEEE Transactions on Power Systems, jild. 16, yo'q. 2, bet. 1–6, 2016 yil.

[10] A. Bello, J. Reneses, A. Muñoz va A. Delgadillo, "O'rta muddatli istiqbolda fazoviy interpolyatsiya texnikasidan foydalangan holda soatlik elektr energiyasi narxlarining probabilistic prognozi", International Journal of Forecasting, jild. 32, yo'q. 3, 966–980-betlar, 2016 yil.

[11] P. Kou, D. Liang, L. Gao va J. Lou, "Variatsion heteroskedastik Gauss jarayoni va faol o'rganish bilan elektr energiyasining ehtimoliy bahosi prognozi", Energiyani aylantirish va boshqarish, jild. 89, 298–308-betlar, 2015 yil.

For more information:1950477648nn@gmail.com