Réamh-mheastachán ar Phraghas Miondíola Earraí Spóirt Bunaithe ar Líonra LSTM

Tá ról uathúil ag praghsanna tráchtearraí mar luamhán chun an geilleagar a rialáil. Is cuid thábhachtach de chinnteoireacht macra agus de mhicribhainistíocht é réamhaisnéis praghais. Toisc go bhfuil go leor fachtóirí a théann i bhfeidhm ar phraghas na n-earraí, tá tuar praghais tar éis éirí deacair sa taighde. De réir na saintréithe go bhfuil tionchar ag fachtóirí eile ar shonraí praghais freisin ach amháin i gcás sraith ama, moltar modh tuar praghsanna LSTM amifactor bunaithe ar algartam domhainfhoghlama an líonra cuimhne fadtéarmach agus gearrthéarmach (LSTM).

Tá seicheamh ama agus cuimhne doscartha. Is léiriú rialta ar fhorbairt ama é sraith ama, agus tá cuimhne ar cheann de na cumais daonna is tábhachtaí. Is féidir leis cabhrú linn eispéiris san am atá caite a mheabhrú, treochtaí sa todhchaí a thuar, agus cinntí cearta a dhéanamh.

Is féidir le hamshraitheanna cabhrú linn athruithe agus treochtaí comhshaoil ​​a thuiscint níos fearr, rud atá ríthábhachtach dúinne chun cinntí cearta a dhéanamh agus pleanáil don todhchaí. Mar gheall ar rialtacht na sraithe ama, nuair a dhéanaimid anailís ar roinnt sraitheanna ama tábhachtacha, is féidir linn treo forbartha imeacht nó treocht a thuar roimh ré. Is féidir leis na tuartha seo cabhrú linn pleananna a phleanáil níos fearr agus mar sin cinntí a dhéanamh níos spriocdhírithe.

Ag an am céanna, tá cuimhne an-tábhachtach freisin. Cuidíonn ár gcuimhne linn imeachtaí san am atá caite a thabhairt chun cuimhne, lena n-áirítear rathúlacht agus teipeanna san am atá caite. Nuair a bhíonn cásanna comhchosúla againn, is féidir linn cinntí níos cruinne a dhéanamh trí thaithí san am a chuaigh thart a thabhairt chun cuimhne. Ina theannta sin, is féidir le cuimhne cabhrú linn treochtaí sa todhchaí a thuar. Trí imeachtaí comhchosúla a chur i gcomparáid, is féidir linn patrúin forbartha imeachtaí a thuiscint níos fearr agus forbairtí amach anseo a thuar.

Mar sin, is féidir leis an meascán de shraith ama agus cuimhne cabhrú linn athruithe sa timpeallacht agus treochtaí a thuiscint níos fearr, agus treoracha forbartha sa todhchaí a thuar níos cruinne. Is féidir leo cabhrú linn pleanáil níos fearr don todhchaí agus cinntí cruinne a dhéanamh. Ag an am céanna, tá ról an-tábhachtach aige freisin inár bhfás agus ár bhforbairt phearsanta. Ba chóir dúinn an fhoghlaim agus an tuiscint ar ord ama agus cuimhne a neartú. Is féidir a fheiceáil go gcaithfimid ár gcuimhne a fheabhsú. Is féidir le Cistanche deserticola feabhas suntasach a chur ar chuimhne, mar is féidir le Cistanche deserticola cothromaíocht neurotransmitters a rialáil freisin, mar shampla leibhéil acetylcholine agus fachtóirí fáis a mhéadú. Tá na substaintí seo riachtanach don chuimhne agus don fhoghlaim. Ina theannta sin, is féidir le feoil sreabhadh fola a fheabhsú freisin agus seachadadh ocsaigine a chur chun cinn, rud a d'fhéadfadh a chinntiú go bhfaigheann an inchinn cothaithigh agus fuinneamh leordhóthanach, rud a fheabhsóidh beogacht agus seasmhacht na hinchinne.

Cliceáil fios bealaí chun feidhm na hinchinne a fheabhsú

Ní hamháin go n-úsáideann an modh seo cuimhne LSTM ar shonraí stairiúla ach tugann sé isteach freisin tionchar fachtóirí seachtracha ar phraghas tríd an gciseal nasc iomlán, a sholáthraíonn smaoineamh nua chun an fhadhb a bhaineann le tuar praghais a réiteach. Léiríonn torthaí turgnamhacha go bhfuil cruinneas níos airde agus cobhsaíocht níos fearr ag an modh seo.Analyze an cur síos ar an tráchtearra agus saintréithe an phraghais tráchtearraí, 'agus amach na tráchtearraí cosúil leis an sprioc-earra, comhlánaigh na sonraí praghsanna tráchtearraí trí úsáid a bhaint as sonraí praghais stairiúla tráchtearraí den chineál céanna, agus bunaigh an oiliúint socraithe chun bailíocht an mhodha atá beartaithe a fhíorú.

1. Réamhrá

Tá scála margaidh an mhargaidh tráchtearraí ag leathnú ó lá go lá, tá na cineálacha trádála ag éirí níos saibhre agus níos saibhre, agus tá an mheicníocht trádála ag éirí níos mó agus níos caighdeánaithe. Ó fhorbairt an mhargaidh tráchtearraí, tá sé ina 'fomhargadh airgeadais tábhachtach. Tá ról tábhachtach ag scaipeadh comhartha eiprice ar an margadh maidir le táirgeadh fiontar, trádáil idirnáisiúnta, agus an geilleagar a rialú [1]. Tá sonraí margaidh saibhir carntha ag malartuithe tráchtearraí na Síne le blianta fada oibríochta agus forbartha.

Bailíonn, déanann taighdeoirí sonraí idirbhirt na dtráchtearraí éagsúla a bhailiú, a réiteach agus a anailísiú agus ansin cuireann agus tiomsaíonn siad na hinnéacsanna tráchtearraí céanna. is féidir leis na hinnéacsanna seo staid fhoriomlán na n-athruithe i bpraghsanna tráchtearraí ábhartha agus treocht forbartha an gheilleagair tráchtearraí a mheas agus cabhrú le hinstitiúidí feidhmiúla an rialtais staid eireaball an mhaicreacnamaíochta a thuiscint; ag an am céanna, is féidir le fiontair ábhartha an fhaisnéis faoi phraghsanna tráchtearraí ríse atá san innéacs tráchtearraí a úsáid freisin chun a dhéanamh. a gcinntí gnó féin, an chainníocht ceannaithe a shocrú go réasúnta agus caillteanais eacnamaíocha neamhriachtanacha a íoslaghdú [2, 3].

Tá áit níos tábhachtaí agus níos mó ag gníomhaíochtaí tráchtála sa gheilleagar náisiúnta. Ní hamháin go rannchuidíonn iompar tráchtála go mór leis an ngeilleagar náisiúnta i dtéarmaí aschuir ach tá ról tábhachtach aige freisin maidir le caidreamh margaidh pórúcháin, meicníochtaí margaidh a fheabhsú, agus fadhb na fostaíochta saothair a réiteach [4]. Sa lá atá inniu ann, le forbairt ard na teicneolaíochta faisnéise, d'fhorbair tráchtáil ríomh-mhiondíola, mar mhúnla nua díolacháin miondíola, go tapa. Is féidir le daoine na mílte faisnéise tráchtearraí a fháil tríd an Idirlíon agus déan teagmháil le díoltóirí tráchtearraí ar fud an domhain le haghaidh idirbhearta gan dul amach as a dtithe [5].

D'éascaigh teacht chun cinn na ríomhthráchtála saol na ndaoine go mór, chuir sé díograis tomhaltais daoine chun cinn, agus mhéadaigh sé beogacht mhargadh na dtomhaltóirí; tá rathúnas an mhargaidh ghnó curtha chun cinn mar gheall ar fhorbairt na tráchtála ríomh-mhiondíola. Déantar na mílte tráchtearraí miondíola a thaispeáint agus a dhíol ar an Idirlíon, rud a laghdaíonn costas díolacháin tráchtearraí agus a fheabhsaíonn éifeachtúlacht na ndíolachán. Ag an am céanna, toisc go mbraitheann tráchtáil ríomh-mhiondíola ar an Idirlíon, tá buntáistí nádúrtha aige maidir le faisnéis agus sonraí a fháil agus a stóráil. Faigheann fiontair cuid mhór sonraí trí theicneolaíocht an eolais. Conas na sonraí seo a mhianadóireacht agus dlíthe luachmhara a aimsiú, chun cinnteoireacht gnó na bhfiontar a threorú, an tsamhail díolacháin a fheabhsú, straitéisí éifeachtacha díolacháin a fhoirmiú, agus ar deireadh buntáistí eacnamaíocha a fháil ó ríomhthráchtáil. Tosaíonn go leor fiontair ag infheistiú i dtreo mianadóireachta sonraí tráchtála agus forbraíonn siad a scéimeanna mianadóireachta sonraí tráchtála.

Céim thábhachtach d’anailís sonraí is ea anailísiú sonraí taiscéalaíoch, atá éagsúil le hanailís sonraí tosaigh. *Tá fócas na réamhanailíse sonraí ar cibé an bhfuil na ceanglais lena sainaithnítear samhlacha agus hipitéisí staidrimh á gcomhlíonadh chun iontaofacht na hanailíse deimhnithe a áirithiú [6–8]. Sa phróiseas anailíse seo, líontar na sonraí neamhcháilithe le luachanna atá in easnamh, comhshó sonraí, caitheamh luacha asluiteacha, agus próiseáil eile chun cruinneas na hanailíse a fheabhsú. Áirítear le hanailís sonraí taiscéalaíoch réamhanailís ar shonraí, ach is é an pointe tosaigh atá aige ná cáilíocht sonraí a chinneadh ach freisin patrúin dáilte sonraí a aimsiú (Patten) agus hipitéisí nua a mholadh ó na sonraí. Sainaithnítear anailís taiscéalaíoch ar shonraí mar phríomhchéim i sreabhadh oibre na heolaíochta sonraí a bhféadfadh tionchar a bheith aige ar phróisis iolracha. Sa sreabhadh oibre eolaíocht sonraí a thaispeántar i bhFíor 1, tá dlúthbhaint ag anailísiú sonraí taiscéalaíoch le próisis eile.

Traenálann gach bunsamhail athróga ionchuir an tacair oiliúna ar leithligh. *foghlaim gharbh-mhaoirsithe, gach bunmhúnla. Bunaítear meáchan le haghaidh luach tuartha na sraithe oiliúna de gach bonnsamhail trí mheán meán ualaithe a úsáid, agus ansin sanntar an luach meáchain bunaithe do luach réamh-mheasta na sraithe tástála de gach bonnsamhail [9, 10]. Sraith de luachanna tuartha tástála Getmodel. Taispeánann Figiúr 2 an sreabhadh tógála agus léaráid an mhúnla. Ón bhfigiúr, tá a fhios againn go n-áirítear go príomha réamhphróiseáil sonraí, agus torthaí réamh-mheastacháin iolracha ó mhúnlaí iomadúla LSTM, agus déantar na torthaí réamh-mheastacháin a chomhtháthú agus a fheabhsú trí pharaiméadair iolracha a ualú.

Trí anailís a dhéanamh ar luach meáchain gach múnla bonn de tháirgí spóirt, fuarthas amach go bhfuil an tsamhail bonn le cruinneas níos airde tuartha níos mó seans a fháil weight.Figure 3 an treochlár teicneolaíochta.

2. Obair Ghaolmhar

Tagraíonn réamh-mheastachán praghais d'iompar tuartha anailíse dinimiciúla ar athruithe praghais sa todhchaí de réir luach stairiúil agus treocht praghsanna tráchtearraí [11]. *D’úsáid e údair [12] an tsamhail líonra néarach athfhillteach chun creathadh traenach ardluais a thuar ón tsraith ama agus bhain siad torthaí maithe amach.

Le forbairt algartam sraith ama simplí, tá cur i bhfeidhm anailíse sraith ama simplí ag leathnú de réir a chéile. Faoi láthair tá algartam anailíse sraith ama simplí curtha i bpraghsanna talmhaíochta, réamhaisnéis praghsanna tráchtearraí tionsclaíocha, réamhaisnéis praghsanna stoc airgeadais, agus go leor réimsí eile Tá raon leathan feidhmchlár aige, mar gheall ar a bheith níos lú úsáide san anailís ar fhaisnéis sonraí, ag an am céanna an t-eolas ísealéifeachtach. anailís ar stair, mar thoradh ar thuar na torthaí nach féidir fós freastal ar riachtanais na forbartha sóisialta.

Stádas taighde algartam réamhaisnéise praghais bunaithe ar shraith ama simplí: de réir tréimhsiúlacht agus séasúracht na luaineachta praghsanna cumhachta, Marcjasz et al. Rinne [13, 14]anailís ar thionchar an tséasúir ar athrú praghsanna cumhachta amach anseo agus d’úsáid sé samhail líonraí néaracha NARX chun praghas cumhachta a thuar, rud a bhain torthaí maithe amach. Chun torthaí maithe a thuar, dhear údair [15] Comhiomlánú Denoising ar líonraí néaracha Graf trí úsáid a bhaint as an bpríomh-anailís chomhpháirt. Wang et al. [16–18]rinne sé staidéar ar réamhaisnéis ghearrthéarmach ar phraghas an leictreachais le huath-ionchódóirí séanta cruachta, rinne an taighde agus cur i bhfeidhm creata réamhaisnéise hibrideach, agus mhol an tsamhail hibrideach núíosach do theicníc dé-chéim comhdhéanaimh innéacs cáilíochta aeir agus meaisín foghlama foircneach modhnaithe (ELM), faoi seach. Chong et al. [19, 20] rinne sé staidéar ar na líonraí domhainfhoghlama le haghaidh anailíse agus réamhaisnéise ar an stocmhargadh agus rinneadh an phraghsáil eimpíreach ar shócmhainní trí mheaisínfhoghlaim, faoi seach. Nilashi et al. chuir sé cur chuige anailíse i láthair maidir le hanailís mhór ar shonraí sóisialta le haghaidh cinnteoireachta custaiméirí in óstáin atá neamhdhíobhálach don chomhshaol agus rinne sé tástáil ar an réiteach atá beartaithe ar dhá thacar sonraí oscailte [21]. Chomh maith leis na hoibreacha thuas, chomhcheangail Hoseinzade [22] samhail ANN agus samhail CNN, thuar ardú agus titim ShanghaiFutures sa tréimhse aitheanta, agus bhain sé amach torthaí maithe réamh-mheasta. Is féidir le hinfheisteoirí cinntí infheistíochta a dhéanamh freisin le cabhair ó Chen agus rinne Ge [23] iniúchadh ar an meicníocht aire i réamh-mheastachán gluaiseachta praghsanna stoic Hong Cong atá bunaithe ar LSTM. Tá Fang et al. straitéisí infheistíochta cainníochtúla taighde atá bunaithe ar dhomhainfhoghlaim[24]. Bunaithe ar an bplé thuasluaite, déantar achoimre ar phríomhranníocaíochtaí an pháipéir seo mar a leanas:

(1) Mar struchtúr feabhsaithe ar an tsamhail RNN, ní hamháin go n-oidhríonn múnla an LSTM saintréithe an mhúnla RNN atá oiriúnach chun déileáil le sonraí sraithe ama ach freisin réitíonn sé an fhadhb a bhaineann le spleáchas fadtéarmach ar ghné ama agus feabhsaíonn sé cruinneas an tuar. Tá a éifeacht tuar níos airde ná líonra néarach BP, RNN, CNN, GRU, agus samhlacha néarlíonra eile.

(2) Úsáidtear Cuardach Eangaí chun an tsamhail a oiliúint le paraiméadair dhifriúla agus chun gach samhail a thras-bhailíochtú go dtí go bhfaightear an meascán luachanna is fearr chun an fheidhmíocht mhúnla is fearr a chinntiú.

(3) * Fíoraítear an tsamhail optamaithe ar an tacar tástála, agus úsáidtear an mheánearráid chearnógach mar innéacs meastóireachta chun an tsamhail a chosc ó rófheisteas. Léiríonn *e torthaí go mbaineann an tsamhail earráid chearnógach mheán íseal amach sa tacar oiliúna agus sa tacar tástála araon, agus go bhfaigheann sé torthaí réamh-mheastacháin idéalach.

3. Líonra LSTM

Ba é Hochreiter et al.(1997) a mhol líonra néarúil LSTM ar dtús agus leathnaíodh é a thuilleadh tar éis é a bharrfheabhsú agus a fheabhsú ag Alex Graves. I go leor fadhbanna praiticiúla a bhaineann le sonraí seichimh, d'éirigh go hiontach le LSTM agus baineadh úsáid as go forleathan, mar phróiseáil teanga nádúrtha (NLP), tuar sraith ama, agus mar sin de.

Ní féidir leis an líonra neural athfhillteach traidisiúnta (RNN) déileáil leis an bhfadhb seicheamh fadtéarmach, chun an fhadhb seo a réiteach, moltar líonra neural LSTM trí struchtúr "geata" a chur leis chun staid agus aschur cille a rialú ag amanna éagsúla chun an fhadhb a mhaolú. cealú grádán. Áirítear le struchtúr "geata" LSTM trí chineál: "geata a dhearmad," "geata ionchuir," agus "geata aschuir." Is é feidhm an "geata dearmad" ná an fhaisnéis a tharchuirtear ón am roimhe seo go dtí an t-am reatha a mheas agus go roghnach "dearmad" roinnt faisnéise mar a thaispeántar i bhFíor 4. Ina theannta sin, tá an tosaigh orthogonal beartaithe chun cealú nó pléascadh grádán a sheachaint ag an gcéim oiliúna tosaigh. , is féidir le feidhm gníomhachtaithe ReLU (Aonad Líneach Recti'ed) an t-imeacht grádán a mhaolú, is féidir le lomadh grádán pléascadh grádáin a réiteach, agus is féidir leis an Aonad LSTM cealú grádáin a rialú.

Cuireadh LSTM i bhfeidhm go rathúil in aistriúchán meaisín, giniúint comhrá agus réimsí eile, rud a léiríonn cumas samhaltaithe sonraí seichimh den scoth. Dá bhrí sin, tógann an páipéar seo praghas miondíola ar shamhail réamhaisnéise earraí spóirt bunaithe ar aonad líonra LSTM agus is féidir úsáid iomlán a bhaint as a ghné gur féidir aon seicheamh faid a úsáid mar ionchur agus a chuirtear i bhfeidhm ar aithint sonraí ar líne. Réitíonn LSTM an fhadhb nach féidir le RNN spleáchas fadtréimhseach a láimhseáil trí thabhairt isteach [25].

Bíodh G gur ionann líon na néaróin ionchuir sa chiseal folaithe iomlán, folaíonn G gach aonad agus geata, agus úsáid innéacs G chun na néaróin ionchuir seo a léiriú. Is é ríomh chun cinn LSTM seicheamh ionchuir X a bhfuil fad ama d aige, arb é t 1 [26, 27] a phointe tosaigh. Nuair a mhéadaíonn luach an phointe ama T go leanúnach, déanfar an chothromóid a nuashonrú go hathchúrsach go dtí t t. Cosúil le ríomh chun tosaigh, is seicheamh ionchuir X é ríomh droim ar ais le fad ama T, ach is é T T an túsphointe don ríomh droim ar ais. Nuair a laghdaíonn luach T go leanúnach, déantar cómhalartach an aonaid a ríomh go hathchúrsach go dtí 1 1. De réir na ndíorthach ag gach pointe ama thuas, is féidir linn a fháil ar an luach díorthach meáchain nal.

áit a seasann Wf agus bf do mheáchan agus do chlaonadh an gheata dhearmadta, faoi seach, agus seasann σ don fheidhm Sigmoid.

4. Próiseáil Sonraí agus Explora

ar * Is é príomhphointe nuálaíochta an pháipéir seo ná an tsamhail LSTM traidisiúnta a fheabhsú agus é a chur i bhfeidhm chun praghas miondíola táirgí spóirt a thuar, mar sin déanaimid é a chur i gcomparáid go príomha leis an múnla traidisiúnta LSTM. Ar an dara dul síos, toisc go bhfuil fíor-thacair sonraí luachmhara agus deacair a fháil, ní úsáideann an páipéar seo ach tacar sonraí amháin don turgnamh insamhalta. Toisc go mbíonn tionchar ag cáilíocht na sonraí ar oiliúint an mhúnla roghnaithe, is iad bailiú, anailísiú agus próiseáil na sonraí na príomhchéimeanna roimh oiliúint an mhúnla. * Áiríonn na sonraí sa pháipéar seo dhá chuid go príomha: an réad taighde agus na sonraí saintréithe.

Díríonn praghas tráchtearraí réamhaisnéis ghinearálta ar phraghas tráchtearraí spóirt. Bain úsáid as Python chun anailís staitistiúil thuairisciúil a dhéanamh ar thráchtearraí spóirt éagsúla agus tarraing a gcairteacha praghais deiridh [31, 32], mar a thaispeántar i bhFíor 5. * Tá an dáileadh leictreonach sceabhach ar dheis, tá na beanna níos lú ná 3, tá cruth an eireaball tanaí, agus ní chloíonn sé leis an ngnáthdháileadh.

n.4.1. Laghdú Torainn Sonraí. Toisc go bhfuil dinimic an mhargaidh an-chasta, tá fuaimeanna neamhchoitianta sna sonraí seo, mar sin úsáidtear an leabharlann i Python le haghaidh claochlú tonnchreatha chun sonraí fuaime a bhaint [33]. Is fiú a thabhairt faoi deara go n-úsáidtear an tsamhail waveletchange traidisiúnta sa pháipéar seo. Faigheann sé oidhreacht agus forbraíonn sé an smaoineamh maidir le hathrú gearr-ama Fourier logánú agus sáraíonn sé na heasnaimh maidir le méid na bhfuinneog gan athrú le minicíocht. Féadann sé athrú fuinneoige "am-minicíocht" a sholáthar le minicíocht, atá ina uirlis iontach le haghaidh anailíse am-minicíochta agus próiseáil comharthaí. * Dá bhrí sin, tá sé thar a bheith oiriúnach chun torann i sonraí airgeadais a bhaint. Is iad Figiúirí 6 agus 7 na comparáidí roimh agus tar éis tonnchlaochlú.

n.Tar éis don oiliúint líonra néarúil LSTM a bheith críochnaithe, tugtar na torthaí tuar agus na luachanna MSE comhfhreagracha de Shamhail 1 agus Múnla 2, faoi seach, mar a thaispeántar i bhFíor 8, agus taispeántar torthaí tuar Mhúnla 1 agus Mhúnla 2 i bhFíor 9.

9.*Is é an bunsmaoineamh a bhaineann le hoiliúint eiseamláireach ná sraith córas rialacha a fheistiú ar an tacar sonraí oiliúna chun na rialacha a nochtadh sna sonraí.I bhfocail eile, cuireann an t-oiriúnú síos ar cé chomh maith, nó cé chomh maith, is féidir an tsamhail a ghinearálú do na sonraí. sa tacar tástála Tá dea-fheidhmíocht mhúnla mar thoradh ar mhúnla maith agus is féidir é a bhailíochtú le sonraí nua lasmuigh den tacar sonraí oiliúna, ie, sonraí lasmuigh den sampla. Chomh maith leis na paraiméadair is féidir a fhoghlaim, tá hipearpharaiméadair éagsúla ag teastáil ó mhúnlaí éagsúla, ar paraiméadair iad nach gá a bheith oilte.

Tá paraiméadair ríthábhachtach don tsamhail agus braitheann siad ar shonraí oiliúna. Mar chuid den phróiseas oiliúna, déantar an tsamhail LSTM a choigeartú agus a bharrfheabhsú a thuilleadh chun tuar níos fearr a fháil trí pharaiméadair a fhoghlaim ó shonraí oiliúna trí theicnící optamaithe [34–37].

Is é an próiseas taighde eacnamaíoch go ginearálta ná feiniméin eacnamaíocha a mhíniú trí mhúnlaí eacnamaíocha a thógáil. Nuair a bhíonn feiniméin eacnamaíocha a nglactar leo go ginearálta á gcomhordú ag scoláirí, ní mór iad a liostú i bhfoirm fíricí tipiciúla. Sa taighde leantach, má tá réiteach an mhúnla sa stát cothromaíochta ginearálta comhsheasmhach leis na fíricí tipiciúla, is féidir a mhíniú go bhfuil an tsamhail níos réasúnta go mór. Sa staidéar ar 'fadhbanna airgeadais, go háirithe sa staidéar ar 'sraith tuairisceáin ama airgeadais, is minic is féidir tréithe staidrimh coitianta a thabhairt faoi deara. Is minic a léiríonn cuimhne fada; e meath mall ar uathchomhghaolú dearbhfhill; dáileadh eireaball tiubh buaic; athraíonn cruth an dáileacháin le himeacht ama; e‡ect tonnchomhbhailithe; tar éis an comhiomlánú Žactuation a choigeartú, tá eireaball tiubh coinníollach e‡ ann fós, etc. Faoin toimhde go bhfuil dáileadh neamhspleách agus comhionann, is minic nach bhfuil feidhmíocht an mhúnla sraith ama airgeadais 'tástáilte' optamach, mar sin ní mór saintréithe dáileadh na sonraí a chur san áireamh. agus an tsraith ioncaim á samhaltú. Nuair a úsáidtear an tsamhail líonra néaraigh chun na sonraí a shamhaltú, ní gá an toimhde dáilte a mheas. Is é an fáth gur féidir leis an tsamhail líonra néareolaíoch struchtúr na sonraí ionchuir a ghinearálú ionas gur féidir leis an líonra néarchóras tréithe neamhlíneacha na sonraí airgeadais a ghabháil.

Is modh é Cuardach Eangaí chun múnla a oiliúint go córasach, ag baint úsáide as teaglaim éagsúla de luachanna hipearpharaiméadair chun an tsamhail a oiliúint, ag tras-bhailíochtú gach múnla go dtí go bhfaighfear an meascán luachanna is fearr chun feidhmíocht an mhúnla is fearr a chinntiú. Trí pharaiméadair tástála leanúnach de gach teaglaim, beidh discretization grúpa a 'agus an meascán is oiriúnaí de pharaiméadair chumraíocht Super, paraiméadair Super de réir a saintréithe a roghnú roinnt luachanna taithí, agus ansin de réir teaglaim éagsúla den tsamhail oiliúna, a roghnú an meascán is fearr is féidir de con'guration, na himthosca nach lú oiriúnach do pharaiméadair Super. Is éard atá i gceist le Cuardach Randamach ná hipearpharaiméadair a chomhcheangal go randamach agus ansin an cumraíocht is fearr a roghnú. Ní dhéanann sé iarrachtaí neamhriachtanach ar pharaiméadair neamhthábhachtacha mar, díreach mar a bhíonn tionchar teoranta ag comhéifeachtaí rialtachta ar fheidhmíocht múnla, bíonn tionchar níos mó ag rátaí foghlama ar fheidhmíocht na samhla, mar sin ní dhéanann sé iarrachtaí gan ghá. Go ginearálta bíonn cuardaigh randamacha níos éifeachtaí agus níos éasca le cur i bhfeidhm ná cuardaigh ghreille. Mar sin féin, ní mheasann an dá mhodh seo an bhfuil comhghaol idir hipearpharaiméadair, agus mar sin tá siad sách neamhéifeachtach. Is modh optamaithe hyperparaiméadar oiriúnaitheach é optamú Bayesian, a dhéanann réamh-mheas ar an gcéad teaglaim hipearpharaiméadair a d’fhéadfadh a bheith ann ina dhiaidh sin bunaithe ar chomhcheangal hipearpharaiméadair thetested chun an t-uasfhóntas a fháil. Ós rud é gur feidhm s-cineál an fheidhm dáileacháin carnach de dháileadh Gaussach, is féidir feidhm GELU a chomhfhogasú leis an bhfeidhm tanh nó feidhm Loighisticice mar a thaispeántar i bhFíor 10.

Is í an straitéis is simplí ráta foghlama a chur ar fáil ar fud an phróisis oiliúna. Má roghnaítear ráta foghlama níos lú ceadaítear don optimizer réiteach maith a fháil, ach is furasta an ráta coinbhéirseachta a theorannú. Is féidir an gaol idir an dá cheann a chothromú trí am a ghlacadh chun an ráta foghlama a athrú. Léiríonn Fíor 11 an ráta foghlama do gach tréimhse.

Tar éis go leor uaireanta coigeartuithe agus leas iomlán a bhaint, taispeántar na torthaí réamh-mheastacháin roimh agus tar éis feabhsúcháin i bhFíoracha 12 agus 13, faoi seach. Is iad seo a leanas struchtúr agus paraiméadair an mhúnla a fuarthas: is é 55 fad seicheamhach na fuinneoige tástála, agus is é atá sa mhúnla seicheamhach ná trí shraith LSTM, agus is é 100, 100, agus 150 líon na néaróin i ngach ciseal, faoi ​​seach. Chun ró-fheistiú a sheachaint, cuirtear dhá shraith Dropout leis an gciseal Dropout de 0.2, agus is é 5 gné na sonraí ionchuir. Cuireadh ciseal dlúth leis chun a toise a chomhiomlánú go 1, bhí an fheidhm gníomhachtaithe líneach, agus socraíodh an fheidhm chaillteanais mar Mheán. Earráid Chearnógach (MSE). Baineadh úsáid as Adam mar algartam barrfheabhsaithe, agus úsáideadh dhá Ré mar an tsamhail. Tá gach baisc 32 i méid.

Is múnla domhainfhoghlama é an gnáthsamhail réamhaisnéise praghais freisin. Ar an gcéad dul síos, tógtar múnla gnáth-mheastacháin praghais; is é sin le rá nach bhfuil sa tsamhail ach sonraí margaidh agus 'sonraí airgeadais. e úsáidtear sonraí margaidh roimhe seo agus sonraí airgeadais chun an tsamhail dhomhainfhoghlama a oiliúint chun an tsamhail dhomhainfhoghlama oilte a fháil chun an margadh amach anseo a thuar; déantar teicneolaíocht garbh próiseála teanga nádúrtha, eastóscadh faisnéise mothúchánach, agus meastóireacht mhothúchánach ar shonraí tuairim an phobail. In éineacht leis an tsamhail réamh-mheastacháin traidisiúnta praghsanna, cuirtear oiliúint ar an múnla foghlama domhain trí úsáid a bhaint as sonraí margaidh, 'sonraí airgeadais, tuarascálacha taighde, agus sonraí claonadh mhothúchánach' nuachta airgeadais, agus úsáidtear an tsamhail chun an margadh amach anseo a thuar. EurLex-2 ga, cuirtear éifeacht tuartha na samhla um thuar praghsanna urrús traidisiúnta i gcomparáid le héifeacht na samhla foghlama domhain atá bunaithe ar thorthaí próiseála teanga nádúrtha shonraí thuairimí an phobail.

Tar éis líon na nóid ionchuir, nóid aschuir, agus nóid ciseal folaithe den dá shamhail LSTMnetwork a chinneadh, is féidir an tsamhail foghlama domhain a oiliúint. Tar éis go leor turgnamh, faightear go bhfuil na hamanna oiliúna ró-bheag agus go bhfuil an earráid oiliúna múnla ró-mhór, mar sin ní mór na hamanna oiliúna a mhéadú go leanúnach, ach le méadú ar na hamanna oiliúna; de réir a chéile bíonn luach cobhsaí ag earráid na hoiliúna múnla. Má mhéadaítear amanna oiliúna an mhúnla go mór ag an am seo, ní dhéantar mórán feabhsaithe ar an tsamhail e‡, etc. Tá sé mar thoradh ar oiliúint a chur ar an múnla scíthe deC. Nuair a bhíonn na hamanna oiliúna níos lú ná 200, tá earráid an mhúnla mór. Ag an am seo, laghdóidh méadú ar na hamanna oiliúna go tapa an earráid a bhaineann le hoiliúint mhúnla; Nuair a bhíonn na hamanna oiliúna níos mó ná 200 uair agus níos lú ná 1000 uair, tá an earráid mhúnla beag. Ag an am seo, nuair a mhéadaítear na hamanna oiliúna, léirigh laghdú ar an leibhéal earráide oiliúna múnla laghdú dlí; Nuair a dhéantar oiliúint 1000 go 2000 uair, athraíonn earráid an mhúnla i limistéar beag, agus níl an éifeacht a bhaineann le méadú ar líon na n-amanna oiliúna soiléir de réir a chéile. go leor tástálacha agus comparáidí garbh, faightear nuair a bhíonn líon na n-amanna oiliúna sa mhúnla thart ar 2000 uair, is féidir leis riachtanais chruinneas na hoiliúna a chomhlíonadh. Má mhéadaítear líon na n-amanna oiliúna, is beag an éifeacht a bhaineann le feabhas a chur ar an earráid samhaltaithe, Thairis sin, tógann sé go leor ama an tsamhail a oiliúint ar an ríomhaire, agus mar sin is beag tábhacht a bhaineann leis an iomarca uaireanta oiliúna a mhéadú. Mar sin, socraímid amanna oiliúna na mionsamhail foghlama sa staidéar seo ag 2000 uair. Sa mhúnla níos déanaí, deimhnímid freisin go gcomhlíonann sé an dlí seo. Mar sin, socraíodh na hamanna oiliúna ag 2000 uair sa dara mionsamhail foghlama le sonraí faisnéise tuairim an phobail.

5. Conclúid

(1) Tá feidhm ag an bpáipéar seo teoiric foghlama domhain, bunaithe ar shaintréithe 'sonraí sraith ama airgeadais, úsáideann an tsamhail líonra néar LSTM chun innéacs praghsanna earraí spóirt a thuar, agus déanann sé a thorthaí réamh-mheastacháin a chur i gcomparáid leis na torthaí tuar ag baint úsáide as an tsamhail líonra. Léiríonn torthaí turgnamhacha go bhfuil an fheidhmíocht is fearr ag samhail líonra néarlíonra LSTM ar an tacar tástála.

(2) Bunaítear múnla tuar. Bunaithe ar innealtóireacht ghné sonraí comhthiomsaithe, bunaítear múnla tuartha líonra néaraigh bunaithe ar chuimhní fadtéarmacha agus gearrthéarmacha, agus cuirtear oiliúint ar an tsamhail le sraith oiliúna chun praghas earraí spóirt a thuar. Coigeartaíodh eatramh de bharrfheabhsú múnla, líon na néaróin i bhfolach ciseal, an ráta foghlama, méid an bhaisc, agus an roth oiliúna chun na torthaí oiliúna is fearr a bhaint amach.

(3) Sa tsamhail réamhaisnéise treochta praghsanna tráchtearraí spóirt seo, beidh tionchair éagsúla ag sonraí praghais spóirt éagsúla ar an éifeacht tuar, agus mar sin tá roghnú an tacair sonraí an-tábhachtach freisin.

Cé go mbaineann an tsamhail atá molta sa pháipéar seo torthaí tuar maith amach, ní mheasann an tsamhail an comhghaol idir am sonraí. Is féidir roinnt uirlisí fuinneoige ama sleamhnáin a úsáid i staidéir amach anseo chun feabhas a chur ar mhéid na céime tuartha agus cruinneas tuartha an mhúnla.

Infhaighteacht Sonraí

Tá na sonraí a úsáideadh chun tacú le torthaí an staidéir seo ar fáil ón údar arna iarraidh sin.

Coinbhleachtaí Leasa

Tá andearbhaíonn an t-údar nach bhfuil aon choinbhleachtaí leasa ann.

Tagairtí

[1] J. Wang, R. Hou, agus C. Wang, "Samhail aischéimnithí tacaíochta feabhsaithe bunaithe ar roghnú athraitheach agus tobsmaointeoireachta le haghaidh réamhaisnéise ar phraghas stoc," Ríomhaireacht Bog Fheidhmeach, vol. 49, uimh. 2, lgh. 164–178, 2016.

[2] M. Dixon, D. Klabjan, agus J. Hoon Bang, "C1assification bunaithe tuar margaí airgeadais ag baint úsáide as líonraí neural domhain," Algartam Airgeadais, vol. 6, uimh. 3-4, lgh. 67–77, 2017.

[3] K. Chen, Y. Zhou, agus FY Dai, "Tuar tuairisceáin LSTM-bhunaithe modh forstock: cás-staidéar ar mhargadh stoc na Síne," in Imeachtaí Chomhdháil Idirnáisiúnta IEEE 2015 ar Sonraí Móra, vol. 123, uimh. 12, lgh. 2823-2824, Santa Clara, CA,SAM, 2015.

[4]             AE Clements agus N. Todorova, "Sreabhadh faisnéise, gníomhaíocht trádála agus luaineacht todhchaíochtaí tráchtearraí," Journal of FuturesMarkets, vol. 36, uimh. 1, lgh 88–104, 2016.

[5] L. Xuewei agus L. Xueyan, "Sonraí Mór agus a phríomhtheicneolaíocht sa todhchaí," Ríomhaireacht san Eolaíocht & Innealtóireacht, vol. 20, uimh. 4, lgh. 75–88, 2018.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic, agusF. Kaleem, "Tuar briseadh aimsire-bhunaithe sa ghreille cliste ag baint úsáide as sonraí cróineolaíocha," Journal of ModernPower Systems and Clean Energy, vol. 4, uimh. 2, lgh 308–315,2016.

[7] X. Zhang, J. Wang, agus Y. Gao, "Creat réamhaisnéise gearrthéarmacha praghsanna leictreachais hibrideach: roghnú gné cuardaigh cuach-bhunaithe le hanailís uatha speictrim agus SVM,"Eacnamaíocht Fuinnimh, vol. 81, uimh. 6, lgh. 16–23, 2019.

[8]             G. Osorio, M. Lotfi, VMA Campos, agus M. Khan, “Samhail réamhaisnéise hibrideach le haghaidh praghsanna margaidh leictreachais gearrthéarmacha le comhtháthú in-athnuaite,” Inbhuanaitheacht, vol. 11, uimh. 1, lgh. 1–15, 2018.

[9] A. Bello, DW Bunn, agus J. Reneses, "réamhaisnéis mheántéarmach ar phraghsanna leictreachais: cur chuige hibrideach," IEEE Transactions on Power Systems, vol. 16, uimh. 2, lgh. 1–6, 2016.

[10]             A. Bello, J. Reneses, A. Muñoz, agus A. Delgadillo, "réamhaisnéis dóchúlachta ar phraghsanna leictreachais in aghaidh na huaire sa mheántéarma ag baint úsáide as teicnící idirshuímh spáis," InternationalJournal of Forecasting, vol. 32, uimh. 3, lgh. 966–980, 2016.

[11] P. Kou, D. Liang, L. Gao, agus J. Lou, "Tuar praghsanna leictreachais dóchúla le próiseas Gaussach heteroscedastic athraitheach agus foghlaim ghníomhach," Tiontú agus Bainistíocht Fuinnimh, vol. 89, lgh. 298–308, 2015.

For more information:1950477648nn@gmail.com