LSTM 네트워크를 기반으로 한 스포츠 용품 소매가격 예측 원문보기 인용

원자재 가격은 경제를 규제하는 지렛대로서 독특한 역할을 합니다. 가격 예측은 거시적 의사결정과 미세관리에서 중요한 부분입니다. 상품 가격에 영향을 미치는 요소가 많기 때문에 가격 예측이 연구하기 어려워졌습니다. 가격 데이터는 시계열을 제외한 다른 요인들에도 영향을 받는다는 특성에 따라 LSTM(장단기 메모리 네트워크) 딥러닝 알고리즘을 기반으로 다중요인 LSTM 가격 예측 방법을 제안한다.

시간 순서와 기억은 분리될 수 없습니다. 시계열은 시간 발달을 정기적으로 표현하며 기억은 인간의 가장 중요한 능력 중 하나입니다. 이는 과거 경험을 기억하고 미래 추세를 예측하며 올바른 결정을 내리는 데 도움이 될 수 있습니다.

시계열은 환경 변화와 추세를 더 잘 이해하는 데 도움이 되며, 이는 올바른 결정을 내리고 미래를 계획하는 데 매우 중요합니다. 시계열의 규칙성으로 인해 일부 중요한 시계열을 분석할 때 이벤트의 발전 방향이나 추세를 미리 예측할 수 있습니다. 이러한 예측은 우리가 더 나은 계획을 세우는 데 도움이 될 수 있으므로 보다 목표가 명확한 결정을 내릴 수 있습니다.

동시에 기억력도 매우 중요합니다. 우리의 기억은 과거의 성공과 실패를 포함한 과거 사건을 회상하는 데 도움이 됩니다. 비슷한 상황에 직면했을 때 과거의 경험을 회상함으로써 보다 올바른 결정을 내릴 수 있습니다. 또한 기억은 미래 추세를 예측하는 데 도움이 될 수 있습니다. 유사한 사건을 비교함으로써 사건의 전개 패턴을 ​​더 잘 이해하고 향후 전개를 예측할 수 있습니다.

따라서 시계열과 메모리의 결합은 환경 변화와 추세를 더 잘 이해하고 향후 개발 방향을 더 정확하게 예측하는 데 도움이 될 수 있습니다. 이는 우리가 미래를 더 잘 계획하고 정확한 결정을 내리는 데 도움이 될 수 있습니다. 동시에, 이는 우리 개인의 성장과 발전에도 매우 중요한 역할을 합니다. 우리는 시간의 순서와 기억에 대한 학습과 이해를 강화해야 합니다. 기억력을 향상시켜야 함을 알 수 있습니다. Cistanche Deserticola는 아세틸콜린 및 성장 인자 수치를 높이는 등 신경 전달 물질의 균형을 조절할 수 있기 때문에 기억력을 크게 향상시킬 수 있습니다. 이 물질은 기억과 학습에 필수적입니다. 또한 고기는 혈류를 개선하고 산소 전달을 촉진하여 뇌에 충분한 영양분과 에너지를 공급하여 뇌의 활력과 지구력을 향상시킬 수 있습니다.

뇌 기능을 향상시키는 방법을 클릭하세요

이 방법은 LSTM의 메모리를 과거 데이터에 활용할 뿐만 아니라 전체 연결 계층을 통해 외부 요인이 가격에 미치는 영향을 도입하여 가격 예측 문제를 해결하기 위한 새로운 아이디어를 제공합니다. BP 신경망과 비교하여, 실험 결과는 이 방법이 더 높은 정확도와 더 나은 안정성을 가지고 있음을 보여줍니다. 상품 설명 및 상품 가격 특성을 분석하고, 대상 상품과 유사한 상품을 찾아내고, 유사한 상품의 과거 가격 데이터를 사용하여 상품 가격 데이터를 완성하고, 훈련을 설정합니다. 제안한 방법의 타당성을 검증하기 위해 설정한다.

1. 소개

상품시장의 시장규모는 나날이 확대되고 있으며, 거래품종은 날로 풍부해지고 있으며, 거래 메커니즘은 점점 더 표준화되고 있습니다. 상품시장이 발전한 이후, 상품시장은 중요한 '금융 하위시장'이 되었습니다. 시장에서의 가격 신호 확산은 기업 생산, 국제 무역 및 경제 규제에 중요한 역할을 합니다[1]. 중국의 상품거래소 역시 다년간의 운영과 발전을 통해 풍부한 시장 데이터를 축적해 왔습니다.

연구자들은 다양한 상품의 거래 데이터를 수집, 분류, 분석한 후 동일한 상품 지수를 추가하고 컴파일합니다. 이러한 지수는 해당 상품 가격의 전반적인 상황, 상품 경제의 변동 및 발전 추세를 파악하고 정부 기능 기관이 거시 경제의 꼬리 상태를 이해하는 데 도움을 줄 수 있습니다. 동시에 관련 기업은 상품 지수에 포함된 쌀 상품 가격 정보를 활용하여 자신의 사업 결정을 통해 구매 수량을 합리적으로 조정하고 불필요한 경제적 손실을 최소화합니다 [2, 3].

상업 활동은 국가 경제에서 점점 더 중요한 위치를 차지하고 있습니다. 상업적 행위는 생산 측면에서 국가 경제에 중요한 기여를 할 뿐만 아니라 시장 관계를 육성하고 시장 메커니즘을 개선하며 노동 고용 문제를 해결하는 데에도 중요한 역할을 합니다[4]. 오늘날 정보기술의 발달로 전자소매상거래는 새로운 소매상품 판매모델로서 급속히 발전하고 있습니다. 사람들은 집에서 나가지 않고도 인터넷을 통해 수천 개의 상품 정보를 얻을 수 있고 전 세계의 상품 판매자에게 연락하여 거래를 할 수 있습니다[5].

전자상거래의 출현은 사람들의 생활을 크게 편리하게 하고, 사람들의 소비 열정을 촉진하며, 소비 시장의 활력을 증대시켰습니다. 전자 소매 상거래의 발전은 비즈니스 시장의 번영을 주도했습니다. 수만 개의 소매 상품이 인터넷에 전시 및 판매되므로 상품 판매 비용이 절감되고 판매 효율성이 향상됩니다. 동시에 전자소매 상거래는 인터넷에 의존하기 때문에 정보와 데이터를 획득하고 저장하는 데 자연적인 이점이 있습니다. 기업은 정보기술을 통해 많은 양의 데이터를 얻습니다. 이러한 데이터를 마이닝하고 귀중한 법률을 찾아 기업의 비즈니스 의사 결정을 안내하고, 판매 모델을 개선하고, 효과적인 판매 전략을 수립하고, 최종적으로 전자 상거래에서 경제적 이익을 얻는 방법입니다. 많은 기업이 상업용 데이터 마이닝 방향에 투자하기 시작하고 상업용 데이터 마이닝 계획을 개발합니다.

탐색적 데이터 분석은 초기 데이터 분석과 달리 데이터 분석의 중요한 단계입니다. *예비 데이터 분석은 확증분석의 신뢰성을 확보하기 위한 통계모델 및 가설의 도출 요건을 충족하는지 여부에 중점을 둔다[6-8]. 이 분석 과정에서는 검증되지 않은 데이터를 결측값, 데이터 변환, 이상값 폐기 등의 처리를 통해 채워 분석의 정확도를 높입니다. 탐색적 데이터 분석에는 예비 데이터 분석이 포함되지만, 그 출발점은 데이터 품질을 판단하는 것뿐만 아니라 데이터 분포 패턴(Patten)을 발견하고 데이터로부터 새로운 가설을 제안하는 것입니다. 탐색적 데이터 분석은 여러 프로세스에 영향을 미칠 수 있는 데이터 과학 워크플로의 핵심 단계로 식별됩니다. 그림 1에 표시된 데이터 과학 워크플로에서 탐색적 데이터 분석은 다른 프로세스와 밀접하게 관련되어 있습니다.

각 기본 모델은 훈련 세트의 입력 변수를 개별적으로 훈련합니다. *거친 지도 학습, 각 기본 모델. 각 기본 모델의 훈련 세트의 예측값에 대해 가중평균을 이용하여 가중치를 설정한 후, 설정된 가중치 값을 각 기본 모델의 테스트 세트의 예측값에 할당한다[9, 10]. 예측 가중치 값 곱셈 및 절편 예측 값의 모델 테스트 세트를 가져옵니다. 그림 2는 모델의 구성 흐름과 다이어그램을 보여줍니다. 그림에서 우리는 여기에 주로 데이터 전처리와 여러 LSTM 모델의 다중 예측 결과가 포함되어 있으며 예측 결과는 여러 매개변수에 가중치를 부여하여 통합되고 향상된다는 것을 알 수 있습니다.

스포츠용품의 각 기본모델 가중치를 분석한 결과, 예측 정확도가 높은 기본모델일수록 더 많은 가중치를 부여받을 가능성이 높은 것으로 나타났다. 그림 3은 기술 로드맵이다.

2. 관련 업무

가격 예측이란 상품의 역사적 가치와 가격 추세에 따른 미래 가격 변화를 동적으로 분석하는 예측 행위를 의미합니다[11]. *e [12]의 저자는 시계열로부터 고속 열차 진동 예측을 위해 순환 신경망 모델을 사용하여 좋은 결과를 얻었습니다.

단순 시계열 알고리즘의 개발로 단순 시계열 분석의 적용이 점차 확대되고 있다. 현재 단순 시계열 분석 알고리즘은 농산물 가격, 산업재 가격 예측, 금융 주가 예측 등 다양한 분야에 활용되고 있으며, 데이터 정보 분석에 활용도가 낮으면서도 정보 효율성이 낮기 때문에 활용 범위가 넓습니다. 역사에 대한 분석, 예측으로 이어지는 결과는 여전히 사회 발전의 요구를 충족시킬 수 없습니다.

단순시계열 기반 가격예측 알고리즘 연구현황: 전력가격 변동의 주기성과 계절성에 따른 Marcjasz et al. [13, 14]는 계절성이 미래 전력 가격 변화에 미치는 영향을 분석하고 NARX 신경망 모델을 사용하여 전력 가격을 예측하여 좋은 결과를 얻었습니다. 좋은 예측 결과를 얻기 위해 [15]의 저자는 주성분 분석을 사용하여 그래프 신경망의 노이즈 제거 집계를 설계했습니다. 왕 외. [16-18] 스택형 노이즈 제거 자동 인코더를 사용한 단기 전기 가격 예측을 연구하고, 하이브리드 예측 프레임워크를 연구 및 적용하고, 대기 질 지수 2단계 분해 기술과 수정된 극한 학습 기계(ELM)에 대한 새로운 하이브리드 모델을 각각 제안했습니다. Chong et al. [19, 20]은 주식 시장 분석 및 예측을 위한 딥 러닝 네트워크를 연구하고 각각 기계 학습을 통해 경험적 자산 가격 책정을 수행했습니다. Nilashiet al. 친환경 호텔의 고객 의사결정을 위한 빅 소셜 데이터 분석을 위한 분석적 접근 방식을 제시하고 제안된 솔루션을 두 개의 공개 데이터 세트에서 테스트했습니다[21]. 위의 연구 외에도 Hoseinzade[22]는 ANN 모델과 CNN 모델을 결합하여 알려진 기간 동안 ShanghaiFutures의 상승과 하락을 예측하여 좋은 예측 결과를 얻었습니다. 투자자는 또한 Chen과 Ge의 도움으로 투자 결정을 내릴 수 있습니다. [23]는 LSTM 기반 홍콩 주가 움직임 예측의 주의 메커니즘을 탐색했습니다. Fang et al. 딥러닝 기반의 정량적 투자 전략 연구[24]. 이상의 논의를 바탕으로 본 논문의 주요 기여를 요약하면 다음과 같다.

(1) LSTM 모델은 RNN 모델의 개선된 구조로서 시계열 데이터 처리에 적합한 RNN 모델의 특성을 계승할 뿐만 아니라 시간 차원에 대한 장기적인 의존성 문제를 더욱 해결하고 예측 정확도를 향상시킨다. 예측 효과는 BP 신경망, RNN, CNN, GRU 및 기타 신경망 모델보다 우수합니다.

(2) 그리드 검색은 다양한 매개변수로 모델을 훈련하고 최상의 모델 성능을 보장하기 위해 최적의 값 조합을 찾을 때까지 각 모델을 교차 검증하는 데 사용됩니다.

(3) *e 최적화된 모델을 테스트 세트에서 검증하고 모델의 과적합을 방지하기 위해 평균 제곱 오차를 평가 지표로 사용합니다. *e 결과는 모델이 훈련 세트와 테스트 세트 모두에서 낮은 평균 제곱 오차를 달성하고 측면 예측 결과를 얻는 것을 보여줍니다.

3. LSTM 네트워크

LSTM 신경망은 Hochreiter et al.(1997)에 의해 처음 제안되었으며 Alex Graves에 의해 최적화 및 개선된 후 더욱 확장되었습니다. 시퀀스 데이터와 관련된 많은 실제 문제에서 LSTM은 큰 성공을 거두었으며 자연어 처리(NLP), 시계열 예측 등과 같이 널리 사용되었습니다.

전통적인 순환 신경망(RNN)은 장기 시퀀스 문제를 처리할 수 없습니다. 이 문제를 해결하기 위해 셀 상태와 출력을 서로 다른 시간에 제어하는 ​​"게이트" 구조를 추가하여 문제를 완화하는 LSTM 신경망을 제안합니다. 그라데이션 사라짐. LSTM의 "게이트" 구조에는 "잊어버린 게이트", "입력 게이트", "출력 게이트"의 세 가지 유형이 있습니다. "망각 게이트"의 기능은 그림 4와 같이 이전 시간에서 현재 시간으로 전송된 정보를 판단하고 일부 정보를 선택적으로 "잊는" 것입니다. 또한 훈련 초기 단계에서 기울기가 사라지거나 폭발하는 것을 피하기 위해 직교 초기화를 제안합니다. , ReLU(Recti'ed Linear Unit) 활성화 기능은 기울기 소멸을 완화할 수 있고, 기울기 전단은 기울기 폭발을 해결할 수 있으며, LSTM 유닛은 기울기 소멸을 제어할 수 있습니다.

LSTM은 기계번역, 대화생성 등 다양한 분야에 성공적으로 적용되어 시퀀스 데이터의 뛰어난 모델링 능력을 보여주고 있습니다. 따라서 본 논문에서는 LSTM 네트워크 단위를 기반으로 스포츠 용품 소매 가격 예측 모델을 구축하고, 어떤 길이의 시퀀스도 입력으로 사용할 수 있고 온라인 데이터 인식에 적용할 수 있다는 특징을 최대한 활용할 수 있다. LSTM은 [25]를 도입하여 RNN이 장기간 종속성을 처리할 수 없는 문제를 해결합니다.

전체 히든 레이어의 입력 뉴런 수를 G라고 하면 G는 모든 유닛과 게이트를 포함하며 인덱스 G를 사용하여 이러한 입력 뉴런을 나타냅니다. LSTM의 순방향 계산은 시작점이 t1인 시간 d의 입력 시퀀스 X를 계산하는 것입니다 [26, 27]. 시점 T의 값이 지속적으로 증가하면 방정식은 t t까지 재귀적으로 업데이트됩니다. 순방향 계산과 마찬가지로 역방향 계산은 시간 길이가 T인 입력 시퀀스 X이지만 역방향 계산의 시작점은 T T입니다. T의 값이 연속적으로 감소하면 단위의 역수는 11이 될 때까지 재귀적으로 계산됩니다. 도함수에 따르면 위의 각 시점에서 최종 가중치 미분 값을 얻을 수 있습니다.

여기서 Wf와 bf는 각각 망각 게이트의 가중치와 편향을 나타내고, σ는 시그모이드 함수를 나타냅니다.

4. 데이터 처리 및 탐색

on*본 논문의 주요 혁신점은 기존 LSTM 모델을 개선하고 이를 스포츠용품 소매가격 예측에 적용하는 것이므로 주로 기존 LSTM 모델과 비교한다. 둘째, 실제 데이터 세트는 소중하고 얻기 어렵기 때문에 본 논문에서는 시뮬레이션 실험에 하나의 데이터 세트만 사용합니다. 데이터의 품질은 선택한 모델의 훈련에 영향을 미치기 때문에 데이터의 수집, 분석, 처리는 모델 훈련 전의 핵심 단계입니다. *e 본 논문의 데이터는 주로 연구 대상과 특성 데이터의 두 부분으로 구성됩니다.

일반적인 예측 상품 가격은 스포츠 상품 가격에 중점을 둡니다. 그림 5와 같이 Python을 사용하여 다양한 스포츠 상품에 대한 기술적인 통계 분석을 수행하고 종가 차트를 그립니다[31, 32]. 그리고 정규분포를 따르지 않습니다.

n.4.1. 데이터 노이즈 감소. 시장 역학이 매우 복잡하기 때문에 이러한 데이터에는 드물게 노이즈가 포함되어 있으므로 Python의 라이브러리는 데이터 노이즈를 제거하기 위한 웨이블릿 변환에 사용됩니다[33]. 본 논문에서는 기존의 웨이블릿 변경 모델이 사용되었다는 점에 주목할 가치가 있습니다. 단시간 푸리에 변환 위치화 아이디어를 계승하고 발전시키며, 주파수에 따라 창 크기가 변하지 않는 단점을 극복합니다. 이는 주파수에 따라 "시간-주파수" 창 변경을 제공할 수 있으며, 이는 시간-주파수 분석 및 신호 처리에 이상적인 도구입니다. *따라서 금융 데이터의 노이즈 제거에 특히 적합합니다. 그림 6과 7은 웨이블릿 변환 전과 후의 비교입니다.

n.LSTM 신경망 훈련이 완료된 후, 그림 8과 같이 모델 1과 모델 2의 예측 결과와 해당 MSE 값이 각각 제공되고, 모델 1과 모델 2의 예측 결과는 그림 9에 표시됩니다.

9.*모델 훈련의 기본 아이디어는 훈련 데이터 세트에 일련의 규칙 시스템을 적용하여 데이터의 규칙을 드러내는 것입니다. 즉, 적합성은 모델이 데이터에 얼마나 잘 일반화될 수 있는지를 나타냅니다. 좋은 모델은 좋은 모델 성능을 가져오고 훈련 데이터 세트 외부의 새로운 데이터, 즉 샘플 외부 데이터로 검증될 수 있습니다. 학습할 수 있는 매개변수 외에도 다양한 모델에는 학습할 필요가 없는 매개변수인 다양한 하이퍼매개변수가 필요합니다.

매개변수는 모델에 중요하며 훈련 데이터에 따라 달라집니다. 훈련 과정의 일부로, LSTM 모델은 최적화 기술을 통해 훈련 데이터로부터 매개변수를 학습함으로써 더 나은 예측 효과를 얻도록 추가로 조정 및 최적화됩니다[34-37].

경제연구의 과정은 일반적으로 경제모형을 구축하여 경제현상을 설명하는 것이다. 일반적으로 받아들여지는 경제현상을 학자들에 의해 확증할 때에는 전형적인 사실의 형태로 나열할 필요가 있다. 후속연구에서는 일반균형상태에서 모형의 해가 전형적인 사실과 일치한다면 모형이 보다 타당하다고 설명할 수 있다. '금융 문제' 연구, 특히 '금융 시간 수익률 시리즈' 연구에서는 몇 가지 공통적인 통계적 특성이 자주 관찰됩니다. 학자들의 전형적인 단변량 수익률 시리즈 사실에 따르면 이를 요약하면 다음과 같습니다. 이는 종종 장기 기억을 보여줍니다. e 절대 수익률 자기상관의 느린 붕괴; 피크 두꺼운 꼬리 분포; 분포 형태는 시간에 따라 변합니다. 파동집합 효과; Žactuation 집계를 조정한 후에도 조건부 두꺼운 꼬리 e‡ 등이 여전히 존재합니다. 독립적이고 동일하게 분포된다는 가정 하에서 '테스트된' 금융 시계열 모델의 성능은 종종 최적이 아니므로 데이터의 분포 특성을 고려해야 합니다. 소득 계열을 모델링할 때 신경망 모델을 사용하여 데이터를 모델링하는 경우 분포 가정을 고려할 필요가 없습니다. 신경망 모델은 '금융 데이터'의 비선형적 특성을 신경망이 포착할 수 있도록 입력 데이터의 구조를 일반화할 수 있기 때문이다.

그리드 검색은 모델을 훈련하기 위해 다양한 하이퍼파라미터 값 조합을 사용하여 모델을 체계적으로 훈련하고, 최상의 모델 성능을 보장하기 위해 최적의 값 조합을 찾을 때까지 각 모델을 교차 검증하는 방법입니다. 모든 조합의 매개변수를 지속적으로 테스트함으로써 그룹은 '과 슈퍼 구성 매개변수의 가장 적절한 조합이 이산화될 것이며, 특성에 따라 슈퍼 매개변수를 선택하여 여러 경험 값을 선택한 다음 훈련 모델의 다양한 조합에 따라 최적의 조합을 선택합니다. 구성, 슈퍼 매개변수에 적합하지 않은 상황. Random Search는 하이퍼파라미터를 무작위로 조합한 후 최적의 구성을 선택하는 것입니다. 정규화 계수가 모델 성능에 미치는 영향이 제한적인 것처럼 학습률이 모델 성능에 더 큰 영향을 미치기 때문에 중요하지 않은 파라미터에 불필요한 시도를 하지 않습니다. 무작위 검색은 일반적으로 그리드 검색보다 효율적이고 구현하기 쉽습니다. 그러나 이 두 가지 방법은 하이퍼파라미터 간의 상관 관계 여부를 고려하지 않으므로 상대적으로 비효율적입니다. 베이지안 최적화는 테스트된 하이퍼파라미터 조합을 기반으로 다음 가능한 하이퍼파라미터 조합을 예측하여 최대 효용을 얻는 적응형 하이퍼파라미터 최적화 방법입니다. 가우스 분포의 누적 분포 함수는 s형 함수이므로 GELU 함수는 그림 10과 같이 tanh 함수 또는 Logistic 함수로 근사화할 수 있습니다.

가장 간단한 전략은 훈련 과정 전반에 걸쳐 학습 속도를 높이는 것입니다. 더 작은 학습률을 선택하면 옵티마이저가 좋은 솔루션을 찾을 수 있지만 수렴률을 제한하기 쉽습니다. 시간을 들여 학습률을 변경하면 둘 사이의 관계가 균형을 이룰 수 있습니다. 그림 11은 각 기간별 학습률을 보여줍니다.

여러 번의 조정과 최적화를 거친 후 개선 전과 후의 예측 결과는 각각 그림 12와 13에 나와 있습니다. 최종 모델 구조와 획득된 매개변수는 다음과 같습니다. 테스트 창의 Sequentiallength는 55이고, 순차 모델은 3개의 LSTM 레이어로 구성되며, 각 레이어의 뉴런 수는 100, 100, 150입니다. 각기. Over-fitting을 피하기 위해 Dropout 레이어가 0.2인 두 개의 Dropout 레이어를 추가하고 입력 데이터의 차원은 5입니다. e Dense 레이어는 차원을 1로 집계하기 위해 추가되었으며 활성화 함수는 선형이고 손실 함수는 평균으로 설정되었습니다. 제곱 오차(MSE). 최적화 알고리즘으로는 Adam을 사용하였고, 모델로는 두 개의 Epoch를 사용하였다. 각 배치의 크기는 32입니다.

기존 가격 예측 모델도 딥러닝 모델입니다. 첫째, 기존의 가격 예측 모델이 구성됩니다. 즉, 모델에는 시장 데이터와 '재무 데이터'만 포함됩니다. e 이전 시장 데이터와 금융 데이터를 사용하여 딥 러닝 모델을 학습하여 학습된 딥 러닝 모델을 얻어 미래 시장을 예측합니다. 여론데이터를 대상으로 거친 자연어 처리 기술, 감성정보 추출, 감성평가 등을 진행합니다. 심층학습 모델은 기존의 가격 예측 모델과 결합하여 시장 데이터, '금융 데이터', 리서치 보고서, '금융 뉴스'의 감성 성향 데이터 등을 활용하여 학습하고, 이를 통해 미래 시장을 예측하는 데 사용됩니다. 에서는 여론 데이터의 자연어 처리 결과를 바탕으로 기존 유가증권 가격 예측 모델과 딥러닝 모델의 예측 효과를 비교한다.

두 모델 LSTMnetwork의 입력 노드, 출력 노드 및 숨겨진 레이어 노드 수를 결정한 후 딥러닝 모델을 학습할 수 있습니다. 많은 실험을 통해 훈련 시간이 너무 적고 모델 훈련 오류가 너무 크기 때문에 훈련 시간을 지속적으로 늘려야 하지만 훈련 시간이 늘어나는 것으로 나타났습니다. 모델 훈련의 오류는 점차적으로 안정적인 값으로 변하는 경향이 있습니다. 이때 모델의 훈련 시간이 많이 늘어나더라도 모델 e‡ 등은 ​​크게 개선되지 않습니다. C의 'rest 모델'을 학습시킨 결과입니다. 훈련 시간이 200보다 작으면 모델의 오류가 큽니다. 이때 훈련 시간을 늘리면 모델 훈련의 오류가 빠르게 줄어듭니다. 훈련 시간이 200회 이상 1000회 미만인 경우 모델 오류가 작았습니다. 이때, 훈련 시간이 증가함에 따라 모델 훈련 오류의 감소 정도는 감소하는 법칙을 나타냈습니다. 1000~2000회 훈련할 때 작은 영역에서 모델의 오류가 변경되고 훈련 횟수를 늘려도 효과가 점차 뚜렷하지 않습니다. 많은 테스트와 비교를 통해 모델의 훈련 횟수가 약 2000회일 때 훈련의 정확도 요구 사항을 충족할 수 있는 것으로 나타났습니다. 학습 횟수를 늘리면 모델 학습 오류를 개선하는 효과가 작으며, 컴퓨터에서 모델을 학습하는 데 시간이 오래 걸리므로 학습 시간을 너무 많이 늘리는 것은 별 의미가 없습니다. 따라서 본 연구에서는 심층학습 모델의 훈련 시간을 2000회로 설정하였다. 이후 모델에서는 이 법칙을 준수하는지 확인합니다. 따라서 여론정보 데이터를 이용한 두 번째 심층학습 모델 역시 훈련시간을 2000회로 설정하였다.

5. 결론

(1) 본 논문에서는 '금융 시계열 데이터'의 특성을 바탕으로 딥러닝 이론을 적용하고, LSTM 신경망 모델을 이용하여 스포츠 상품 가격지수를 예측하고, 그 예측 결과와 네트워크 모델을 이용한 예측 결과를 비교한다. 실험 결과에 따르면 LSTM 신경망 모델이 테스트 세트에서 가장 좋은 성능을 보이는 것으로 나타났습니다.

(2) 예측 모델을 수립한다. 수집된 데이터 특성공학을 기반으로 장단기기억 기반의 신경망 예측 모델을 구축하고, 스포츠용품 가격 예측을 위한 훈련 세트를 통해 모델을 훈련시킵니다. 최상의 훈련 결과를 얻기 위해 모델 최적화 기간, 숨겨진 레이어 뉴런 수, 학습 속도, 배치 크기 및 훈련 휠을 조정했습니다.

(3) 본 스포츠 상품 가격 추세 예측 모델에서는 다양한 스포츠 가격 데이터가 예측 효과에 서로 다른 영향을 미치므로 데이터 세트 선택도 매우 중요합니다.

본 논문에서 제안하는 모델은 좋은 예측 결과를 얻었으나 데이터 시간의 상관관계를 고려하지 않았다. 일부 슬라이딩 시간 창 도구는 향후 연구에서 모델의 예측 단계 크기와 예측 정확도를 향상시키는 데 사용될 수 있습니다.

데이터 가용성

이 연구 결과를 뒷받침하는 데 사용된 데이터는 요청 시 저자에게 제공됩니다.

이해 상충

그만큼저자는 이해상충이 없음을 선언합니다.

참고자료

[1] J. Wang, R. Hou, C. Wang, "주가 예측을 위한 변수 선택 및 브레인스토밍 최적화를 기반으로 향상된 지원 벡터 회귀 모델", Applied Soft Computing, vol. 49, 아니. 2, pp. 164–178, 2016.

[2] M. Dixon, D. Klabjan, J. Hoon Bang, "심층신경망을 이용한 C1인증 기반 금융시장 예측," Algorithmic Finance, vol. 6, 아니. 3-4, 2017년 67~77페이지.

[3] K. Chen, Y. Zhou 및 FY Dai, "주식 수익률 예측을 위한 LSTM 기반 방법: 중국 주식 시장 사례 연구", 2015년 IEEE 빅 데이터 국제 컨퍼런스 회보, vol. 123, 아니. 12, pp. 2823-2824, 미국 캘리포니아주 산타클라라, 2015.

[4] AE Clements 및 N. Todorova, "정보 흐름, 거래 활동 및 상품 선물 변동성", Journal of FuturesMarkets, vol. 36, 아니. 1, pp. 88–104, 2016.

[5] L. Xuewei 및 L. Xueyan, "미래의 빅데이터와 핵심 기술," Computing in Science & Engineering, vol. 20, 아니. 4,pp. 2018년 75~88일.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic 및 F. Kaleem, "연대기 데이터를 활용한 스마트 그리드의 날씨 기반 중단 예측," Journal of ModernPower Systems and Clean Energy, vol. 4, 아니. 2, pp. 308–315,2016.

[7] X. Zhang, J. Wang, Y. Gao, "하이브리드 단기 전기 가격 예측 프레임워크: 단일 스펙트럼 분석 및 SVM을 사용한 뻐꾸기 검색 기반 기능 선택", 에너지 경제학, vol. 81, 아니. 6, 2019년 16~23페이지.

[8] G. Osorio, M. Lotfi, VMA Campos 및 M. Khan, "재생 통합을 통한 단기 전력 시장 가격에 대한 하이브리드 예측 모델", Sustainability, vol. 11, 아니. 1,pp. 2018년 1~15일.

[9] A. Bello, DW Bunn 및 J. Reneses, "전기 가격의 중기 확률적 예측: 하이브리드 접근 방식", 전력 시스템에 관한 IEEE 거래, vol. 16, 아니. 2,pp. 2016년 1~6일.

[10] A. Bello, J. Reneses, A. Muñoz 및 A. Delgadillo, "공간 보간 기법을 사용한 중기 시간당 전기 가격의 확률적 예측", InternationalJournal of Forecasting, vol. 32, 아니. 3, 966-980페이지, 2016년.

[11] P. Kou, D. Liang, L. Gao, J. Lou, "변형 이분산 가우스 과정과 능동 학습을 통한 확률적 전기 가격 예측," 에너지 변환 및 관리, vol. 89, pp. 298–308, 2015.

For more information:1950477648nn@gmail.com