การทำนายราคาขายปลีกสินค้ากีฬาตามเครือข่าย LSTM

ราคาสินค้าโภคภัณฑ์มีบทบาทพิเศษในการเป็นตัวขับเคลื่อนการควบคุมเศรษฐกิจ การคาดการณ์ราคาเป็นส่วนสำคัญของการตัดสินใจในระดับมหภาคและการจัดการระดับย่อย เนื่องจากมีปัจจัยหลายประการที่ส่งผลต่อราคาสินค้า การทำนายราคาจึงกลายเป็นเรื่องท้าทายในการวิจัย ตามลักษณะเฉพาะที่ข้อมูลราคายังได้รับผลกระทบจากปัจจัยอื่นๆ ยกเว้นอนุกรมเวลา วิธีการทำนายราคาแบบหลายปัจจัย LSTM ได้รับการเสนอตามอัลกอริทึมการเรียนรู้เชิงลึกของเครือข่ายหน่วยความจำระยะยาวและระยะสั้น (LSTM)

ลำดับเวลาและหน่วยความจำแยกกันไม่ออก อนุกรมเวลาเป็นตัวแทนของการพัฒนาของเวลา และความทรงจำเป็นหนึ่งในความสามารถที่สำคัญที่สุดของมนุษย์ มันสามารถช่วยให้เราจดจำประสบการณ์ในอดีต ทำนายแนวโน้มในอนาคต และตัดสินใจได้อย่างถูกต้อง

อนุกรมเวลาสามารถช่วยให้เราเข้าใจการเปลี่ยนแปลงและแนวโน้มด้านสิ่งแวดล้อมได้ดีขึ้น ซึ่งเป็นสิ่งสำคัญสำหรับเราในการตัดสินใจที่ถูกต้องและวางแผนสำหรับอนาคต เนื่องจากความสม่ำเสมอของอนุกรมเวลา เมื่อเราวิเคราะห์อนุกรมเวลาที่สำคัญ เราสามารถคาดการณ์ทิศทางการพัฒนาของเหตุการณ์หรือแนวโน้มล่วงหน้าได้ การคาดการณ์เหล่านี้สามารถช่วยให้เราวางแผนแผนได้ดีขึ้นและทำให้ตัดสินใจได้ตรงเป้าหมายมากขึ้น

ในขณะเดียวกัน ความทรงจำก็มีความสำคัญมากเช่นกัน ความทรงจำของเราช่วยให้เรานึกถึงเหตุการณ์ในอดีต รวมถึงความสำเร็จและความล้มเหลวในอดีต เมื่อเผชิญกับสถานการณ์ที่คล้ายคลึงกัน เราสามารถตัดสินใจได้ถูกต้องมากขึ้นโดยนึกถึงประสบการณ์ในอดีต นอกจากนี้ ความทรงจำยังช่วยให้เราทำนายแนวโน้มในอนาคตได้ ด้วยการเปรียบเทียบเหตุการณ์ที่คล้ายกัน เราจะสามารถเข้าใจรูปแบบการพัฒนาของเหตุการณ์ได้ดีขึ้นและคาดการณ์การพัฒนาในอนาคตได้

ดังนั้นการรวมกันของอนุกรมเวลาและหน่วยความจำสามารถช่วยให้เราเข้าใจการเปลี่ยนแปลงของสภาพแวดล้อมและแนวโน้มได้ดีขึ้น และคาดการณ์ทิศทางการพัฒนาในอนาคตได้แม่นยำยิ่งขึ้น พวกเขาสามารถช่วยให้เราวางแผนอนาคตได้ดีขึ้นและตัดสินใจได้อย่างถูกต้อง ในขณะเดียวกัน มันยังมีบทบาทสำคัญในการเติบโตและการพัฒนาส่วนบุคคลของเราอีกด้วย เราควรเสริมสร้างการเรียนรู้และความเข้าใจเกี่ยวกับลำดับเวลาและความทรงจำ จะเห็นได้ว่าเราต้องปรับปรุงความจำของเรา Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola ยังสามารถควบคุมความสมดุลของสารสื่อประสาท เช่น การเพิ่มระดับอะซิติลโคลีนและปัจจัยการเจริญเติบโต สารเหล่านี้จำเป็นต่อความจำและการเรียนรู้ นอกจากนี้ เนื้อสัตว์ยังช่วยเพิ่มการไหลเวียนของเลือดและส่งเสริมการส่งออกซิเจน ซึ่งช่วยให้สมองได้รับสารอาหารและพลังงานที่เพียงพอ ซึ่งจะช่วยเพิ่มความมีชีวิตชีวาและความทนทานของสมอง

คลิกรู้วิธีปรับปรุงการทำงานของสมอง

วิธีการนี้ไม่เพียงแต่ใช้หน่วยความจำของ LSTM กับข้อมูลในอดีตเท่านั้น แต่ยังแนะนำอิทธิพลของปัจจัยภายนอกต่อราคาผ่านเลเยอร์การเชื่อมต่อแบบเต็ม ซึ่งให้แนวคิดใหม่ในการแก้ปัญหาการทำนายราคา เมื่อเปรียบเทียบกับโครงข่ายประสาทเทียมของ BP แล้ว ผลการทดลองแสดงให้เห็นว่าวิธีการนี้มีความแม่นยำสูงกว่าและมีเสถียรภาพดีกว่า วิเคราะห์คำอธิบายสินค้าโภคภัณฑ์และลักษณะราคาสินค้าโภคภัณฑ์ 'ค้นหาสินค้าโภคภัณฑ์ที่คล้ายกับสินค้าโภคภัณฑ์เป้าหมาย กรอกข้อมูลราคาสินค้าโภคภัณฑ์โดยใช้ข้อมูลราคาในอดีตของสินค้าโภคภัณฑ์ที่คล้ายคลึงกัน และสร้างการฝึกอบรม กำหนดเพื่อตรวจสอบความถูกต้องของวิธีการที่เสนอ

1. บทนำ

ขนาดตลาดของตลาดสินค้าโภคภัณฑ์กำลังขยายตัวในแต่ละวัน พันธุ์การค้ามีความสมบูรณ์ยิ่งขึ้น และกลไกการซื้อขายก็มีมาตรฐานมากขึ้นเรื่อยๆ นับตั้งแต่การพัฒนาตลาดสินค้าโภคภัณฑ์ก็กลายเป็น 'ตลาดย่อยทางการเงินที่สำคัญ' การแพร่กระจายสัญญาณ eprice ในตลาดมีบทบาทสำคัญในแนวทางการผลิตขององค์กร การค้าระหว่างประเทศ และการควบคุมเศรษฐกิจ [1] การแลกเปลี่ยนสินค้าโภคภัณฑ์ของจีนยังได้รวบรวมข้อมูลตลาดมากมายจากการดำเนินงานและการพัฒนาเป็นเวลาหลายปี

นักวิจัยรวบรวม จัดเรียง และวิเคราะห์ข้อมูลธุรกรรมของสินค้าโภคภัณฑ์ต่างๆ จากนั้นจึงเพิ่มและรวบรวมดัชนีสินค้าโภคภัณฑ์เดียวกัน ดัชนีเหล่านี้สามารถ Žect สถานะโดยรวมของราคาสินค้าโภคภัณฑ์ที่เกี่ยวข้อง Žความผันผวน และแนวโน้มการพัฒนาของเศรษฐกิจสินค้าโภคภัณฑ์ และช่วยให้สถาบันการทำงานของรัฐบาลเข้าใจสถานะหางของเศรษฐกิจมหภาค ในเวลาเดียวกัน องค์กรที่เกี่ยวข้องยังสามารถใช้ข้อมูลราคาสินค้าโภคภัณฑ์ข้าวที่มีอยู่ในดัชนีสินค้าโภคภัณฑ์เพื่อทำ การตัดสินใจทางธุรกิจของตนเอง จัดเตรียมปริมาณที่ซื้ออย่างสมเหตุสมผล และลดการสูญเสียทางเศรษฐกิจที่ไม่จำเป็นให้เหลือน้อยที่สุด [2, 3]

กิจกรรมเชิงพาณิชย์ครองตำแหน่งที่สำคัญมากขึ้นในเศรษฐกิจของประเทศ พฤติกรรมเชิงพาณิชย์ไม่เพียงแต่มีส่วนสำคัญต่อเศรษฐกิจของประเทศในแง่ของผลผลิตเท่านั้น แต่ยังมีบทบาทสำคัญในการเพาะพันธุ์ความสัมพันธ์ทางการตลาด การปรับปรุงกลไกตลาด และการแก้ปัญหาการจ้างงานแรงงาน [4] ปัจจุบัน ด้วยการพัฒนาเทคโนโลยีสารสนเทศในระดับสูง การพาณิชย์อิเล็กทรอนิกส์ซึ่งเป็นรูปแบบการขายปลีกสินค้าโภคภัณฑ์รูปแบบใหม่ได้พัฒนาอย่างรวดเร็ว ผู้คนสามารถรับข้อมูลสินค้าโภคภัณฑ์ได้หลายพันรายการผ่านทางอินเทอร์เน็ต และติดต่อผู้ขายสินค้าโภคภัณฑ์ทั่วโลกเพื่อทำธุรกรรมโดยไม่ต้องออกจากบ้าน [5]

การเกิดขึ้นของอีคอมเมิร์ซช่วยอำนวยความสะดวกให้กับชีวิตของผู้คนอย่างมาก ส่งเสริมความกระตือรือร้นในการบริโภคของผู้คน และเพิ่มพลังชีวิตของตลาดผู้บริโภค การพัฒนาพาณิชย์อิเล็กทรอนิกส์ได้ขับเคลื่อนความเจริญรุ่งเรืองของตลาดธุรกิจ มีการจัดแสดงและจำหน่ายสินค้าขายปลีกหลายหมื่นรายการบนอินเทอร์เน็ต ซึ่งช่วยลดต้นทุนการขายสินค้าและปรับปรุงประสิทธิภาพของการขาย ในเวลาเดียวกัน เนื่องจากพาณิชย์อิเล็กทรอนิกส์ต้องอาศัยอินเทอร์เน็ต จึงมีข้อได้เปรียบตามธรรมชาติในการได้มาและการจัดเก็บข้อมูลและข้อมูล องค์กรได้รับข้อมูลจำนวนมากผ่านเทคโนโลยีสารสนเทศ วิธีขุดค้นข้อมูลเหล่านี้และค้นหากฎหมายอันทรงคุณค่า เพื่อเป็นแนวทางในการตัดสินใจทางธุรกิจขององค์กร ปรับปรุงรูปแบบการขาย กำหนดกลยุทธ์การขายที่มีประสิทธิภาพ และบรรลุผลประโยชน์ทางเศรษฐกิจจากอีคอมเมิร์ซในที่สุด องค์กรหลายแห่งเริ่มลงทุนในทิศทางของการขุดข้อมูลเชิงพาณิชย์ และพัฒนาแผนการขุดข้อมูลเชิงพาณิชย์ของตน

การวิเคราะห์ข้อมูลเชิงสำรวจเป็นขั้นตอนสำคัญของการวิเคราะห์ข้อมูลซึ่งแตกต่างจากการวิเคราะห์ข้อมูลเบื้องต้น *จุดเน้นของการวิเคราะห์ข้อมูลเบื้องต้นอยู่ที่ว่าเป็นไปตามข้อกำหนดสำหรับการระบุแบบจำลองทางสถิติและสมมติฐานหรือไม่ เพื่อให้มั่นใจในความน่าเชื่อถือของการวิเคราะห์เชิงยืนยัน [6–8] ในกระบวนการวิเคราะห์นี้ ข้อมูลที่ไม่เข้าเกณฑ์จะถูกเติมด้วยค่าที่หายไป การแปลงข้อมูล การละทิ้งค่าผิดปกติ และการประมวลผลอื่นๆ เพื่อเพิ่มความแม่นยำของการวิเคราะห์ การวิเคราะห์ข้อมูลเชิงสำรวจประกอบด้วยการวิเคราะห์ข้อมูลเบื้องต้น แต่จุดเริ่มต้นไม่ใช่เพียงเพื่อกำหนดคุณภาพของข้อมูลเท่านั้น แต่ยังรวมถึงการค้นหารูปแบบการกระจายข้อมูล (Patten) และเสนอสมมติฐานใหม่จากข้อมูลด้วย การวิเคราะห์ข้อมูลเชิงสำรวจถูกระบุว่าเป็นขั้นตอนสำคัญในเวิร์กโฟลว์วิทยาศาสตร์ข้อมูลที่อาจส่งผลกระทบต่อกระบวนการต่างๆ ในขั้นตอนการทำงานด้านวิทยาศาสตร์ข้อมูลที่แสดงในรูปที่ 1 การวิเคราะห์ข้อมูลเชิงสำรวจมีความเกี่ยวข้องอย่างใกล้ชิดกับกระบวนการอื่นๆ

โมเดลพื้นฐานแต่ละโมเดลจะฝึกตัวแปรอินพุตของชุดการฝึกแยกกัน *การเรียนรู้แบบมีผู้สอนคร่าวๆ แต่ละโมเดลพื้นฐาน น้ำหนักจะถูกสร้างขึ้นสำหรับค่าที่คาดการณ์ไว้ของชุดการฝึกของโมเดลพื้นฐานแต่ละโมเดลโดยใช้ค่าเฉลี่ยถ่วงน้ำหนัก จากนั้นค่าน้ำหนักที่กำหนดจะถูกกำหนดค่าให้กับค่าที่คาดการณ์ไว้ของชุดทดสอบของโมเดลพื้นฐานแต่ละโมเดล [9, 10] การคูณและการสกัดกั้นค่าน้ำหนักพยากรณ์ ชุดทดสอบ Getmodel ของค่าที่ทำนายไว้ รูปที่ 2 แสดงผังการก่อสร้างและแผนผังของแบบจำลอง จากตัวเลข เรารู้ว่าส่วนใหญ่รวมถึงการประมวลผลข้อมูลล่วงหน้า และผลลัพธ์การคาดการณ์หลายรายการจากแบบจำลอง LSTM หลายรายการ และผลลัพธ์การคาดการณ์จะถูกรวมและปรับปรุงด้วยการถ่วงน้ำหนักพารามิเตอร์หลายตัว

จากการวิเคราะห์ค่าน้ำหนักของผลิตภัณฑ์กีฬาแต่ละรุ่นพื้นฐาน พบว่า โมเดลพื้นฐานที่มีความแม่นยำในการทำนายสูงกว่ามีแนวโน้มที่จะได้รับน้ำหนักมากกว่า รูปที่ 3 คือแผนงานด้านเทคโนโลยี

2. งานที่เกี่ยวข้อง

การคาดการณ์ราคาหมายถึงพฤติกรรมการคาดการณ์ของการวิเคราะห์เชิงไดนามิกของการเปลี่ยนแปลงของราคาในอนาคตตามมูลค่าในอดีตและแนวโน้มราคาของสินค้าโภคภัณฑ์ [11] *ผู้เขียน [12] ใช้โมเดลโครงข่ายประสาทเทียมที่เกิดซ้ำสำหรับการทำนายการสั่นสะเทือนของรถไฟความเร็วสูงจากอนุกรมเวลาและได้ผลลัพธ์ที่ดี

ด้วยการพัฒนาอัลกอริธึมอนุกรมเวลาอย่างง่าย การประยุกต์ใช้การวิเคราะห์อนุกรมเวลาอย่างง่ายจะค่อยๆขยายตัว ปัจจุบันอัลกอริธึมการวิเคราะห์อนุกรมเวลาอย่างง่ายมีทั้งในด้านราคาสินค้าเกษตร การทำนายราคาสินค้าโภคภัณฑ์อุตสาหกรรม การพยากรณ์ราคาหุ้นทางการเงิน และสาขาอื่นๆ อีกมากมาย มีการใช้งานที่หลากหลาย เนื่องจากมีการใช้น้อยในการวิเคราะห์ข้อมูล ในขณะเดียวกันข้อมูลที่มีประสิทธิภาพต่ำ การวิเคราะห์สู่ประวัติศาสตร์นำไปสู่การทำนายผลลัพธ์ที่ยังไม่สามารถตอบสนองความต้องการในการพัฒนาสังคมได้

วังและคณะ ชอง และคณะ นิลาชิ และคณะ ฝาง และคณะ กลยุทธ์การลงทุน Researchquantitative บนพื้นฐานของการเรียนรู้อย่างลึกซึ้ง [24] จากการอภิปรายดังกล่าวข้างต้นการมีส่วนร่วมหลักของบทความนี้สรุปได้ดังนี้:

(1) เนื่องจากโครงสร้างที่ได้รับการปรับปรุงของโมเดล RNN โมเดล LSTM ไม่เพียงแต่สืบทอดคุณลักษณะของโมเดล RNN ที่เหมาะสมสำหรับการจัดการข้อมูลอนุกรมเวลาเท่านั้น แต่ยังช่วยแก้ปัญหาการพึ่งพามิติเวลาในระยะยาวและปรับปรุงความแม่นยำของการทำนายอีกด้วย ผลการคาดการณ์นั้นเหนือกว่าโครงข่ายประสาทเทียมของ BP, RNN, CNN, GRU และโมเดลเครือข่ายประสาทอื่น ๆ

(2) Grid Search ใช้เพื่อฝึกโมเดลด้วยพารามิเตอร์ที่แตกต่างกัน และตรวจสอบข้ามแต่ละโมเดลจนกว่าจะพบการผสมผสานของค่าที่เหมาะสมที่สุดเพื่อให้แน่ใจว่าแบบจำลองมีประสิทธิภาพดีที่สุด

(3) *โมเดลที่ปรับให้เหมาะสม e ได้รับการตรวจสอบในชุดทดสอบ และใช้ค่าคลาดเคลื่อนกำลังสองเฉลี่ยเป็นดัชนีการประเมิน เพื่อป้องกันไม่ให้โมเดลมีการติดตั้งมากเกินไป *ผลลัพธ์แสดงให้เห็นว่าแบบจำลองได้รับความคลาดเคลื่อนกำลังสองเฉลี่ยต่ำทั้งในชุดการฝึกและชุดการทดสอบ และได้รับผลลัพธ์การทำนายด้านข้าง

3. เครือข่าย LSTM

โครงข่ายประสาทเทียม LSTM ถูกเสนอครั้งแรกโดย Hochreiter และคณะ (1997) และขยายเพิ่มเติมหลังจากการเพิ่มประสิทธิภาพและปรับปรุงโดย Alex Graves ในปัญหาเชิงปฏิบัติหลายประการที่เกี่ยวข้องกับข้อมูลลำดับ LSTM ประสบความสำเร็จอย่างมากและมีการใช้กันอย่างแพร่หลาย เช่น การประมวลผลภาษาธรรมชาติ (NLP) การทำนายอนุกรมเวลา และอื่นๆ

โครงข่ายประสาทเทียมที่เกิดซ้ำแบบดั้งเดิม (RNN) ไม่สามารถจัดการกับปัญหาลำดับระยะยาวได้ เพื่อแก้ปัญหานี้ โครงข่ายประสาทเทียม LSTM ถูกเสนอโดยการเพิ่มโครงสร้าง "เกต" เพื่อควบคุมสถานะของเซลล์และเอาต์พุตในเวลาที่ต่างกัน เพื่อบรรเทาปัญหาของ การหายตัวไปของการไล่ระดับสี โครงสร้าง "เกต" ของ LSTM มีสามประเภท: "การลืมเกต" "เกตอินพุต" และ "เกตเอาต์พุต" หน้าที่ของ "ประตูการลืม" คือการตัดสินข้อมูลที่ส่งจากเวลาก่อนหน้าถึงเวลาปัจจุบัน และเลือก "ลืม" ข้อมูลบางอย่างดังแสดงในรูปที่ 4 นอกจากนี้ ยังเสนอการกำหนดค่าเริ่มต้นแบบมุมฉากเพื่อหลีกเลี่ยงการหายตัวไปของความลาดเอียงหรือการระเบิดในระยะเริ่มต้นของการฝึก , ฟังก์ชันการเปิดใช้งาน ReLU (Recti'ed Linear Unit) สามารถบรรเทาการหายไปของเกรเดียนต์ เฉือนเกรเดียนต์สามารถแก้ปัญหาการระเบิดของเกรเดียนต์ได้ และหน่วย LSTM สามารถควบคุมการหายตัวไปของเกรเดียนต์ได้

LSTM ประสบความสำเร็จในการนำไปใช้ในการแปลด้วยเครื่อง การสร้างการสนทนา และสาขาอื่นๆ ซึ่งแสดงให้เห็นถึงความสามารถในการสร้างแบบจำลองที่ยอดเยี่ยมของข้อมูลลำดับ ดังนั้น บทความนี้จึงสร้างราคาขายปลีกของแบบจำลองการทำนายสินค้ากีฬาโดยอิงตามหน่วยเครือข่าย LSTM และสามารถใช้คุณลักษณะนี้ได้อย่างเต็มที่ ซึ่งลำดับความยาวใดๆ ก็ตามสามารถใช้เป็นอินพุตและนำไปใช้กับการรับรู้ข้อมูลออนไลน์ได้ LSTM แก้ไขปัญหาที่ RNN ไม่สามารถจัดการการพึ่งพาอาศัยกันเป็นเวลานานได้โดยการแนะนำ [25]

ปล่อยให้จำนวนเซลล์ประสาทอินพุตในเลเยอร์ที่ซ่อนอยู่ทั้งหมดเป็น G โดย G จะรวมหน่วยและประตูทั้งหมด และใช้ดัชนี G เพื่อแสดงเซลล์ประสาทอินพุตเหล่านี้ e การคำนวณไปข้างหน้าของ LSTM คือการคำนวณลำดับอินพุต X ด้วยระยะเวลา d ซึ่งมีจุดเริ่มต้นคือ t 1 [26, 27] เมื่อค่าของเวลาจุด T เพิ่มขึ้นอย่างต่อเนื่อง สมการจะถูกอัพเดตซ้ำๆ จนกระทั่ง t t เช่นเดียวกับการคำนวณไปข้างหน้า การคำนวณแบบย้อนกลับคือลำดับอินพุต X ที่มีระยะเวลาเป็น T แต่จุดเริ่มต้นของการคำนวณแบบย้อนกลับคือ T T เมื่อค่า T ลดลงอย่างต่อเนื่อง ส่วนกลับของหน่วยจะถูกคำนวณแบบวนซ้ำจนถึง 1 1 ตามอนุพันธ์ ในแต่ละช่วงเวลาข้างต้น เราจะได้ค่าอนุพันธ์ของน้ำหนักจริง

โดยที่ Wf และ bf เป็นตัวแทนของน้ำหนักและความลำเอียงของประตูการลืม ตามลำดับ ในขณะที่ σ แสดงถึงฟังก์ชัน Sigmoid

4. การประมวลผลข้อมูลและการสำรวจ

บน*จุดสำคัญด้านนวัตกรรมของบทความนี้คือการปรับปรุงโมเดล LSTM ทั่วไปและนำไปใช้ในการคาดการณ์ราคาขายปลีกของผลิตภัณฑ์กีฬา ดังนั้นเราจึงเปรียบเทียบกับโมเดล LSTM ทั่วไปเป็นหลัก ประการที่สอง เนื่องจากชุดข้อมูลจริงมีค่าและได้มายาก บทความนี้จึงใช้ชุดข้อมูลเพียงชุดเดียวสำหรับการทดลองจำลอง เนื่องจากคุณภาพของข้อมูลส่งผลต่อการฝึกโมเดลที่เลือก การรวบรวม การวิเคราะห์ และการประมวลผลข้อมูลจึงเป็นขั้นตอนสำคัญก่อนการฝึกโมเดล *ข้อมูลในบทความนี้ส่วนใหญ่ประกอบด้วยสองส่วน: วัตถุประสงค์การวิจัยและข้อมูลลักษณะเฉพาะ

การคาดการณ์ราคาสินค้าโภคภัณฑ์ทั่วไปจะเน้นที่ราคาสินค้าโภคภัณฑ์กีฬา ใช้ Python เพื่อทำการวิเคราะห์ทางสถิติเชิงพรรณนาของสินค้าโภคภัณฑ์กีฬาต่างๆ และวาดกราฟราคาปิด [31, 32] ดังแสดงในรูปที่ 5 *การกระจายทางอิเล็กทรอนิกส์เอียงไปทางขวา ยอดจะเล็กกว่า 3 รูปร่างส่วนท้ายจะบาง และไม่เป็นไปตามการแจกแจงแบบปกติ

n.4.1. การลดสัญญาณรบกวนข้อมูล เนื่องจากการเปลี่ยนแปลงของตลาดมีความซับซ้อนมาก ข้อมูลเหล่านี้จึงมีสัญญาณรบกวนไม่บ่อยนัก ดังนั้นไลบรารีใน Python จึงใช้สำหรับการแปลงเวฟเล็ตเพื่อลบสัญญาณรบกวน [33] เป็นที่น่าสังเกตว่ามีการใช้แบบจำลองการเปลี่ยนแปลงเวฟเล็ตแบบธรรมดาในบทความนี้ มันสืบทอดและพัฒนาแนวคิดของการแปลงฟูริเยร์ในระยะเวลาอันสั้น และเอาชนะข้อบกพร่องของขนาดหน้าต่างที่ไม่เปลี่ยนแปลงตามความถี่ สามารถให้หน้าต่าง "ความถี่เวลา" เปลี่ยนแปลงด้วยความถี่ ซึ่งเป็นเครื่องมือที่เหมาะสำหรับการวิเคราะห์ความถี่เวลาและการประมวลผลสัญญาณ *ดังนั้นจึงเหมาะอย่างยิ่งสำหรับการกำจัดสัญญาณรบกวนในข้อมูลทางการเงิน รูปที่ 6 และ 7 เป็นการเปรียบเทียบก่อนและหลังการแปลงเวฟเล็ต

n.หลังจากการฝึกอบรมโครงข่ายประสาทเทียม LSTM เสร็จสิ้นแล้ว ผลลัพธ์การทำนายและค่า MSE ที่สอดคล้องกันของรุ่น 1 และรุ่น 2 จะได้รับตามลำดับ ดังแสดงในรูปที่ 8 และผลการทำนายของรุ่น 1 และรุ่น 2 จะแสดงในรูปที่ 9

9.*แนวคิดพื้นฐานของการฝึกโมเดลคือเพื่อให้เหมาะสมกับชุดกฎของระบบบนชุดข้อมูลการฝึกเพื่อเปิดเผยกฎในข้อมูล กล่าวอีกนัยหนึ่ง ความพอดีจะอธิบายว่าโมเดลสามารถสรุปข้อมูลทั่วไปได้ดีเพียงใดหรือดีเพียงใด ในชุดทดสอบ โมเดลที่ดีจะส่งผลให้มีประสิทธิภาพของโมเดลที่ดีและสามารถตรวจสอบกับข้อมูลใหม่ที่อยู่นอกชุดข้อมูลการฝึกอบรม เช่น ข้อมูลนอกตัวอย่าง นอกจากพารามิเตอร์ที่สามารถเรียนรู้ได้ โมเดลที่แตกต่างกันยังต้องการไฮเปอร์พารามิเตอร์ที่แตกต่างกัน ซึ่งเป็นพารามิเตอร์ที่ไม่จำเป็นต้องฝึก

พารามิเตอร์มีความสำคัญต่อโมเดลและขึ้นอยู่กับข้อมูลการฝึกอบรม ในฐานะที่เป็นส่วนหนึ่งของกระบวนการฝึกอบรม โมเดล LSTM จะได้รับการปรับเปลี่ยนและปรับให้เหมาะสมเพิ่มเติมเพื่อให้ได้การคาดการณ์ที่ดีขึ้น โดยการเรียนรู้พารามิเตอร์จากข้อมูลการฝึกอบรมผ่านเทคนิคการเพิ่มประสิทธิภาพ [34–37]

โดยทั่วไป กระบวนการวิจัยทางเศรษฐศาสตร์มีวัตถุประสงค์เพื่ออธิบายปรากฏการณ์ทางเศรษฐกิจโดยการสร้างแบบจำลองทางเศรษฐศาสตร์ เมื่อนักวิชาการยอมรับปรากฏการณ์ทางเศรษฐกิจที่เป็นที่ยอมรับโดยทั่วไปแล้ว ก็จะต้องแสดงรายการเหล่านั้นในรูปแบบของข้อเท็จจริงทั่วไป ในการวิจัยติดตามผล หากการแก้ปัญหาของแบบจำลองในสภาวะสมดุลทั่วไปสอดคล้องกับข้อเท็จจริงทั่วไป ก็สามารถอธิบายได้ว่าแบบจำลองนั้นมีความสมเหตุสมผลมากกว่าในระดับมาก ในการศึกษา 'ปัญหาทางการเงิน โดยเฉพาะอย่างยิ่งในการศึกษา 'อนุกรมการคืนเวลาทางการเงิน ลักษณะทางสถิติบางอย่างมักจะสามารถสังเกตได้ ตามข้อเท็จจริงทั่วไปของนักวิชาการเกี่ยวกับอนุกรมการคืนทุนแบบตัวแปรเดียว สรุปได้ดังต่อไปนี้ มักจะแสดงความสัมพันธ์แบบอัตโนมัติ มักแสดงความจำที่ยาวนาน การสลายความสัมพันธ์อัตโนมัติกลับสัมบูรณ์อย่างช้าๆ การกระจายหางหนาสูงสุด รูปร่างการกระจายเปลี่ยนแปลงไปตามกาลเวลา การรวมตัวของคลื่น e‡ect; หลังจากปรับการรวม Žactuation แล้ว ก็ยังคงมีหางหนาแบบมีเงื่อนไข e‡ ฯลฯ ภายใต้สมมติฐานของการกระจายที่เป็นอิสระและเหมือนกัน ประสิทธิภาพของแบบจำลองอนุกรมเวลาทางการเงิน 'ที่ทดสอบ ' มักจะไม่เหมาะสมที่สุด ดังนั้น ลักษณะการกระจายของข้อมูลที่จำเป็นจะต้องได้รับการพิจารณา เมื่อสร้างแบบจำลองอนุกรมรายได้ เมื่อใช้แบบจำลองโครงข่ายประสาทเทียมในการสร้างแบบจำลองข้อมูล ไม่จำเป็นต้องพิจารณาสมมติฐานของการกระจาย เนื่องจากโมเดลโครงข่ายประสาทเทียมสามารถสรุปโครงสร้างของข้อมูลอินพุตได้ ดังนั้นโครงข่ายประสาทเทียมจึงสามารถจับลักษณะที่ไม่เชิงเส้นของ 'ข้อมูลทางการเงินได้'

Grid Search เป็นวิธีการฝึกโมเดลอย่างเป็นระบบ โดยใช้การผสมผสานของค่าไฮเปอร์พารามิเตอร์ที่แตกต่างกันเพื่อฝึกโมเดล ตรวจสอบความถูกต้องข้ามแต่ละโมเดลจนกว่าจะพบชุดค่าผสมที่เหมาะสมที่สุดเพื่อให้แน่ใจว่าโมเดลมีประสิทธิภาพดีที่สุด ด้วยพารามิเตอร์การทดสอบอย่างต่อเนื่องของชุดค่าผสมทั้งหมด กลุ่มที่ 'และชุดค่าผสมที่เหมาะสมที่สุดของพารามิเตอร์การกำหนดค่าขั้นสูงจะถูกแยกส่วน พารามิเตอร์ขั้นสูงตามลักษณะเฉพาะเพื่อเลือกค่าประสบการณ์หลายค่า จากนั้นตามชุดค่าผสมที่แตกต่างกันของรูปแบบการฝึกอบรม เพื่อเลือกชุดค่าผสมที่เหมาะสมที่สุดของ การกำหนดค่า สถานการณ์ที่ไม่เหมาะสมสำหรับพารามิเตอร์ขั้นสูง การค้นหาแบบสุ่มคือการสุ่มรวมไฮเปอร์พารามิเตอร์ จากนั้นเลือกการกำหนดค่าที่เหมาะสมที่สุด โดยจะไม่พยายามที่ไม่จำเป็นกับพารามิเตอร์ที่ไม่สำคัญ เนื่องจากเช่นเดียวกับที่ค่าสัมประสิทธิ์การทำให้เป็นมาตรฐานมีผลกระทบต่อประสิทธิภาพของโมเดลอย่างจำกัด อัตราการเรียนรู้ก็มีผลกระทบอย่างมากต่อประสิทธิภาพของโมเดล ดังนั้นจึงไม่มีความพยายามที่ไม่จำเป็น โดยทั่วไปการค้นหาแบบสุ่มจะมีประสิทธิภาพมากกว่าและดำเนินการได้ง่ายกว่าการค้นหาแบบกริด อย่างไรก็ตาม ทั้งสองวิธีนี้ไม่ได้พิจารณาว่ามีความสัมพันธ์กันระหว่างไฮเปอร์พารามิเตอร์หรือไม่ ดังนั้นจึงค่อนข้างไม่มีประสิทธิภาพ การเพิ่มประสิทธิภาพแบบเบย์เป็นวิธีการปรับไฮเปอร์พารามิเตอร์แบบปรับตัวได้ ซึ่งจะคาดการณ์การรวมไฮเปอร์พารามิเตอร์ถัดไปที่เป็นไปได้โดยอิงจากการรวมไฮเปอร์พารามิเตอร์ที่ทดสอบเพื่อให้ได้อรรถประโยชน์สูงสุด เนื่องจากฟังก์ชันการกระจายสะสมของการแจกแจงแบบเกาส์เซียนเป็นฟังก์ชันชนิด s ฟังก์ชัน GELU จึงสามารถประมาณได้ด้วยฟังก์ชัน tanh หรือฟังก์ชัน Logistic ดังแสดงในรูปที่ 10

กลยุทธ์ที่ง่ายที่สุดคือ 'อัตราการเรียนรู้ xa ตลอดกระบวนการฝึกอบรม การเลือกอัตราการเรียนรู้ที่น้อยลงจะทำให้เครื่องมือเพิ่มประสิทธิภาพสามารถหาวิธีแก้ปัญหาที่ดีได้ แต่ก็เป็นเรื่องง่ายที่จะจำกัดอัตราการลู่เข้า ความสัมพันธ์ระหว่างทั้งสองสามารถปรับสมดุลได้ด้วยการใช้เวลาในการเปลี่ยนแปลงอัตราการเรียนรู้ ภาพที่ 11 แสดงอัตราการเรียนรู้ในแต่ละช่วง

หลังจากการปรับเปลี่ยนและการเพิ่มประสิทธิภาพหลายครั้ง ผลการคาดการณ์ก่อนและหลังการปรับปรุงจะแสดงในรูปที่ 12 และ 13 ตามลำดับ โครงสร้างโมเดล e 'nal และพารามิเตอร์ที่ได้รับมีดังนี้: ความยาวตามลำดับของหน้าต่างทดสอบคือ 55 และโมเดลตามลำดับประกอบด้วยเลเยอร์ LSTM สามชั้น โดยจำนวนเซลล์ประสาทในแต่ละเลเยอร์คือ 100, 100 และ 150 ตามลำดับ เพื่อหลีกเลี่ยงการพอดีเกินไป เลเยอร์ Dropout สองชั้นจะถูกเพิ่มด้วยเลเยอร์ Dropout ที่ 0.2 และขนาดของข้อมูลอินพุตคือ 5 e เลเยอร์หนาแน่นถูกเพิ่มเพื่อรวมมิติเป็น 1 ฟังก์ชันการเปิดใช้งานเป็นแบบเส้นตรง และฟังก์ชันการสูญเสียถูกตั้งค่าเป็นค่าเฉลี่ย ข้อผิดพลาดกำลังสอง (MSE) อดัมถูกใช้เป็นอัลกอริธึมการปรับให้เหมาะสม และใช้ยุคสองยุคเป็นแบบจำลอง แต่ละชุดมีขนาด 32

โมเดลการคาดการณ์ราคาแบบธรรมดาก็เป็นโมเดลการเรียนรู้เชิงลึกเช่นกัน ประการแรก มีการสร้างแบบจำลองการทำนายราคาแบบธรรมดา นั่นคือแบบจำลองประกอบด้วยข้อมูลการตลาดและ 'ข้อมูลทางการเงิน' เท่านั้น ข้อมูลตลาดก่อนหน้าและ 'ข้อมูลทางการเงินถูกนำมาใช้ในการฝึกอบรมโมเดลการเรียนรู้เชิงลึก เพื่อให้ได้โมเดลการเรียนรู้เชิงลึกที่ได้รับการฝึกอบรมเพื่อทำนายตลาดในอนาคต เทคโนโลยีการประมวลผลภาษาธรรมชาติคร่าวๆ การดึงข้อมูลทางอารมณ์ และการประเมินทางอารมณ์จะดำเนินการจากข้อมูลความคิดเห็นของประชาชน เมื่อรวมกับโมเดลการทำนายราคาแบบทั่วไป โมเดลการเรียนรู้เชิงลึกที่ได้รับการฝึกโดยใช้ข้อมูลตลาด 'ข้อมูลทางการเงิน รายงานการวิจัย และข้อมูลแนวโน้มทางอารมณ์ของ 'ข่าวทางการเงิน และแบบจำลองนี้ใช้ในการทำนายตลาดในอนาคต en, การทำนาย e‡ect ของแบบจำลองการทำนายราคาหลักทรัพย์ทั่วไปจะถูกเปรียบเทียบกับของโมเดลการเรียนรู้เชิงลึกโดยอิงจากผลการประมวลผลภาษาธรรมชาติของข้อมูลความคิดเห็นของประชาชน

หลังจากกำหนดจำนวนโหนดอินพุต โหนดเอาท์พุต และโหนดเลเยอร์ที่ซ่อนอยู่ของเครือข่าย LSTM ทั้งสองรุ่นแล้ว ก็สามารถฝึกโมเดลการเรียนรู้เชิงลึกได้ หลังจากการทดลองหลายครั้ง พบว่าเวลาในการฝึกน้อยเกินไป และข้อผิดพลาดในการฝึกโมเดลมีมากเกินไป ดังนั้นจึงจำเป็นต้องเพิ่มเวลาการฝึกอย่างต่อเนื่อง แต่ด้วยเวลาการฝึกที่เพิ่มขึ้น ข้อผิดพลาดของการฝึกโมเดลค่อยๆ มีแนวโน้มเป็นค่าคงที่ หากเวลาการฝึกของโมเดลเพิ่มขึ้นมากในเวลานี้ โมเดล e‡ ฯลฯ ก็ไม่ได้รับการปรับปรุงมากนัก เป็นผลจากการฝึก 'โมเดลที่เหลือของซี. เมื่อเวลาฝึกอบรมน้อยกว่า 200 ข้อผิดพลาดของโมเดลจะมีขนาดใหญ่ ในเวลานี้ การเพิ่มเวลาการฝึกจะช่วยลดข้อผิดพลาดของการฝึกโมเดลได้อย่างรวดเร็ว เมื่อเวลาการฝึกอบรมมากกว่า 200 ครั้งและน้อยกว่า 1,000 ครั้ง ข้อผิดพลาดของแบบจำลองจะมีน้อย ในเวลานี้ เมื่อเวลาการฝึกอบรมเพิ่มขึ้น ระดับการลดข้อผิดพลาดในการฝึกแบบจำลองได้แสดงให้เห็นกฎที่ลดลง เมื่อฝึก 1,000 ถึง 2,000 ครั้ง ข้อผิดพลาดของแบบจำลองจะเปลี่ยนไปในพื้นที่เล็กๆ และผลของการเพิ่มจำนวนครั้งในการฝึกจะค่อยๆ ไม่ชัดเจน จากการทดสอบและเปรียบเทียบคร่าวๆ พบว่าเมื่อจำนวนครั้งการฝึกอบรมของแบบจำลองประมาณ 2,000 ครั้ง สามารถตอบสนองความต้องการด้านความแม่นยำของการฝึกอบรมได้ หากจำนวนครั้งในการฝึกเพิ่มขึ้น การปรับปรุงข้อผิดพลาดในการฝึกโมเดลจะมีน้อย นอกจากนี้ การฝึกโมเดลบนคอมพิวเตอร์ยังต้องใช้เวลานาน ดังนั้นจึงแทบไม่มีความสำคัญเลยในการเพิ่มเวลาการฝึกมากเกินไป ดังนั้นเราจึงกำหนดเวลาการฝึกอบรมของรูปแบบการเรียนรู้เชิงลึกในการศึกษานี้ที่ 2,000 ครั้ง ในรูปแบบต่อมา เรายังตรวจสอบด้วยว่าเป็นไปตามกฎหมายนี้ ดังนั้นรูปแบบการเรียนรู้เชิงลึกลำดับที่ 2 พร้อมข้อมูลความคิดเห็นของประชาชนจึงกำหนดเวลาการฝึกอบรมไว้ที่ 2,000 ครั้ง

5. สรุป

(1) บทความนี้ใช้ทฤษฎีการเรียนรู้เชิงลึก โดยอิงตามลักษณะของ 'ข้อมูลอนุกรมเวลาทางการเงิน ใช้โมเดลโครงข่ายประสาทเทียม LSTM เพื่อทำนายดัชนีราคาสินค้าโภคภัณฑ์กีฬา และเปรียบเทียบผลการทำนายกับผลการทำนายโดยใช้โมเดลเครือข่าย ผลการทดลองแสดงให้เห็นว่าโมเดลโครงข่ายประสาทเทียม LSTM มีประสิทธิภาพดีที่สุดในชุดทดสอบ

(2) มีการสร้างแบบจำลองการทำนาย บนพื้นฐานของวิศวกรรมฟีเจอร์ข้อมูลที่เปรียบเทียบกัน โมเดลการคาดการณ์โครงข่ายประสาทเทียมที่อิงตามหน่วยความจำระยะยาวและระยะสั้นถูกสร้างขึ้น และโมเดลดังกล่าวได้รับการฝึกอบรมพร้อมชุดการฝึกอบรมเพื่อทำนายราคาสินค้ากีฬา ช่วงของการเพิ่มประสิทธิภาพโมเดล จำนวนเซลล์ประสาทที่ซ่อนอยู่ อัตราการเรียนรู้ ขนาดแบตช์ และวงล้อการฝึกได้รับการปรับเปลี่ยนเพื่อให้ได้ผลลัพธ์การฝึกที่ดีที่สุด

(3) ในรูปแบบการทำนายแนวโน้มราคาสินค้ากีฬา ข้อมูลราคากีฬาที่แตกต่างกันจะมีอิทธิพลต่อผลการทำนายที่แตกต่างกัน ดังนั้นการเลือกชุดข้อมูลจึงมีความสำคัญมากเช่นกัน

แม้ว่าแบบจำลองที่เสนอในบทความนี้จะได้รับผลการทำนายที่ดี แต่แบบจำลองนั้นไม่ได้คำนึงถึงความสัมพันธ์ของเวลาข้อมูล เครื่องมือกรอบเวลาแบบเลื่อนบางอันสามารถใช้ในการศึกษาในอนาคตเพื่อปรับปรุงขนาดขั้นตอนการทำนายและความแม่นยำในการทำนายของแบบจำลอง

ความพร้อมใช้งานของข้อมูล

ข้อมูลที่ใช้ในการสนับสนุนข้อค้นพบของการศึกษานี้มีให้จากผู้เขียนเมื่อมีการร้องขอ

ผลประโยชน์ทับซ้อน

ที่ผู้เขียนขอประกาศว่าไม่มีความขัดแย้งทางผลประโยชน์

อ้างอิง

[1] J. Wang, R. Hou และ C. Wang, "แบบจำลองการถดถอยเวกเตอร์ที่รองรับที่ได้รับการปรับปรุงโดยอิงจากการเลือกตัวแปรและการระดมความคิดเพื่อการคาดการณ์ราคาหุ้น" Applied Soft Computing, ฉบับที่ 1 49, ไม่ใช่. 2, หน้า 164–178, 2016.

[2] M. Dixon, D. Klabjan และ J. Hoon Bang, "การคาดการณ์ตลาดการเงินที่อิงตาม C1assification โดยใช้โครงข่ายประสาทเทียมเชิงลึก" Algorithmic Finance, vol. 6 ไม่ 3-4 หน้า 67–77 2017

[3] K. Chen, Y. Zhou และ FY Dai, "วิธีการคาดการณ์ผลตอบแทนหุ้นโดยใช้วิธี LSTM: กรณีศึกษาของตลาดหุ้นจีน" ในการดำเนินการประชุมนานาชาติ IEEE ประจำปี 2558 เรื่อง Big Data ฉบับที่ 1 123, ไม่ใช่. 12, หน้า 2823-2824, ซานตาคลารา, แคลิฟอร์เนีย, สหรัฐอเมริกา, 2015

[4] AE Clements และ N. Todorova, "การไหลของข้อมูล กิจกรรมการซื้อขาย และความผันผวนของสินค้าโภคภัณฑ์ในอนาคต" วารสาร FuturesMarkets ฉบับที่ 1 36, ไม่ใช่. 1, หน้า 88–104, 2016.

[5] L. Xuewei และ L. Xueyan, "ข้อมูลขนาดใหญ่และเทคโนโลยีที่สำคัญในอนาคต" คอมพิวเตอร์ในสาขาวิทยาศาสตร์และวิศวกรรม ฉบับที่ 20 ไม่ 4,หน้า. 75–88, 2018.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic, และF. Kaleem, "การพยากรณ์การหยุดชะงักตามสภาพอากาศในโครงข่ายอัจฉริยะโดยใช้ข้อมูลตามลำดับเวลา" วารสาร ModernPower Systems and Clean Energy ฉบับที่ 1 4 ไม่ 2, หน้า 308–315,2016.

[7] X. Zhang, J. Wang และ Y. Gao, "กรอบการคาดการณ์ราคาไฟฟ้าระยะสั้นแบบไฮบริด: การเลือกคุณลักษณะตามการค้นหาของนกกาเหว่าพร้อมการวิเคราะห์สเปกตรัมเอกพจน์และ SVM" เศรษฐศาสตร์พลังงาน ฉบับที่ 81, ไม่ใช่. 6 หน้า 16–23 2019.

[8] G. Osorio, M. Lotfi, VMA Campos และ M. Khan, "แบบจำลองการคาดการณ์แบบไฮบริดสำหรับราคาตลาดไฟฟ้าระยะสั้นพร้อมการบูรณาการพลังงานหมุนเวียน" ความยั่งยืน ฉบับที่ 11, ไม่ใช่. 1,หน้า. 1–15 พ.ศ. 2561

(9) A. Bello, DW Bunn และ J. Reneses, "การพยากรณ์ราคาไฟฟ้าที่น่าจะเป็นไปได้ในระยะปานกลาง: แนวทางแบบไฮบริด" ธุรกรรม IEEE เกี่ยวกับระบบไฟฟ้า, ฉบับที่ 1 16, ไม่. 2,หน้า. 1-6 พ.ศ. 2559

[10] A. Bello, J. Reneses, A. Muñoz และ A. Delgadillo, "การพยากรณ์ความน่าจะเป็นของราคาไฟฟ้ารายชั่วโมงในระยะกลางโดยใช้เทคนิคการประมาณค่าเชิงพื้นที่" InternationalJournal of Forecasting, vol. 32, ไม่ใช่. 3, หน้า 966–980, 2016.

[11] P. Kou, D. Liang, L. Gao และ J. Lou, "การพยากรณ์ราคาไฟฟ้าที่น่าจะเป็นด้วยกระบวนการเกาส์เซียนแบบเฮเทอโรเซดาสติกแบบแปรผันและการเรียนรู้เชิงรุก" การแปลงและการจัดการพลังงาน ฉบับที่ 1 89, หน้า 298–308, 2015.

For more information:1950477648nn@gmail.com