检索结果-内蒙古大学图书馆

作者：唐彧大连海事大学

学位级别：硕士

集装箱航运市场在国际航运市场中扮演着至关重要的角色,随着全球贸易往来日益频繁,集装箱运输发展速度迅猛,集装箱航运市场的波动日趋明显,受到了很多专家学者的关注。由于受到全球经济、政策法规、战争冲突等诸多因素的影响,集装箱航... 详细信息

集装箱航运市场在国际航运市场中扮演着至关重要的角色,随着全球贸易往来日益频繁,集装箱运输发展速度迅猛,集装箱航运市场的波动日趋明显,受到了很多专家学者的关注。由于受到全球经济、政策法规、战争冲突等诸多因素的影响,集装箱航运市场波动强烈,一方面对国家的经贸发展产生了巨大影响,另一方面也加大了航运企业的投资风险。如何对集装箱航运市场发展状况进行预警,又如何最大程度的规避风险,成为了航运经济领域有待解决的重要问题。本文针对以上需求,本文构建了一套基于预警信号灯系统和lstm神经网络的集装箱航运市场预警系统。为了解决传统预警方法在预测方面的不足,将lstm神经网络与传统预警方法相结合,有效提高了对未来警情预测的精准程度。本文主要做了以下工作:首先结合集装箱航运市场的特点,从市场需求、市场供给以及市场表现三个维度共选取12个指标,构建了集装箱航运市场预警指标体系;然后根据灰色关联度法将指标划分为一致、先行、滞后指标,并剔除了滞后指标,同时对于预警指标权重的计算使用了熵权法;接着构建了集装箱航运市场预警信号灯系统模型,对集装箱航运市场的警情进行分析;最后通过lstm神经网络预测模型与集装箱航运市场预警信号灯系统相结合,对未来警情进行预测,并与PSO-LSSVM模型的预测结果进行对比,证明lstm神经网络模型在解决此问题上更具有准确性。结果表明:本文所构建的基于lstm神经网络的集装箱航运市场预警模型能较好地反应集装箱航运市场的发展情况,并且预测的准确性很高,说明该模型具有较强的科学性。并对2020年10月的市场状态进行预测,输出结果为黄灯,表明市场偏热,说明集装箱航运市场处于发展上升阶段。

关键词：集装箱航运市场预警信号灯系统 lstm神经网络

来源：评论

学校读者我要写书评

暂无评论

改进lstm神经网络在股票预测上的应用

改进LSTM神经网络在股票预测上的应用

引用

作者：李宜仑东北大学

学位级别：硕士

自从股票市场诞生以来,投资者和从业人员一直致力于股票预测模型的研究,但由于影响股票价格变动的因素过于复杂,传统的预测方法在实际应用中的效果并不理想.直到神经网络的出现,相比于其他传统的预测方法,神经网络对数据有着更好的拟合... 详细信息

自从股票市场诞生以来,投资者和从业人员一直致力于股票预测模型的研究,但由于影响股票价格变动的因素过于复杂,传统的预测方法在实际应用中的效果并不理想.直到神经网络的出现,相比于其他传统的预测方法,神经网络对数据有着更好的拟合能力.在使用神经网络训练数据的过程中,梯度下降法优化算法是十分重要的一环,在众多算法中Adam算法是目前应用最广的算法.Adam算法在实际应用中存在权值衰减不足的情况,这使得神经网络在预测的过程中可能会出现数据过拟合的问题,导致预测的结果不理想.针对Adam算法存在不足,本文通过引入权值衰减过程来改进Adam算法,这样可以在一定程度上防止数据过拟合问题的产生.并对改进Adam算法进行了收敛性分析,分析结果表明,代价序列ft(θt)与最优代价的差小于数列(?)的常数倍,说明代价序列的收敛率为O((?)).在实验中使用lstm神经网络对股票的价格进行预测,分别使用Adam算法和改进Adam算法进行实验对比分析.实验结果表明,相比于使用Adam算法,在预测股票涨跌的准确率上,改进Adam算法将准确率由原来的57.7%提高到了65.8%.将预测的相对误差(相对误差为绝对误差与真值的比值)从3.98%降低到2.78%.由此可以石出在使用lstm神经网络时改进Adam算法相比于Adam算法有着更好的预测结果.

关键词： Adam算法 lstm神经网络股票预测

来源：评论

学校读者我要写书评

暂无评论

基于lstm神经网络的饲料企业财务风险预警模型构建

引用

中国饲料 2022年第14期 135-138页

作者：杨旭黄雪梅重庆财经职业学院重庆市402160

随着饲料行业多元化加速发展,受市场、外界竞争环境等客观因素的影响,饲料企业的风险也在逐步增加。为保障饲料企业的稳步发展,借助lstm神经网络相关算法积极构建饲料企业财务风险预警模型具有重要意义。本文立足饲料企业当前发展的实... 详细信息

随着饲料行业多元化加速发展,受市场、外界竞争环境等客观因素的影响,饲料企业的风险也在逐步增加。为保障饲料企业的稳步发展,借助lstm神经网络相关算法积极构建饲料企业财务风险预警模型具有重要意义。本文立足饲料企业当前发展的实际情况,选取饲料企业财务风险预警的因素指标,通过lstm神经网络算法输出基于lstm的饲料企业财务风险预警模型的风险预警值,为饲料企业财务风险预警提供参考。验证发现,相对于其他通用的预警模式来讲,基于lstm神经网络的饲料企业财务风险预警模型更具准确性。

关键词： lstm神经网络饲料企业财务风险预警模型构建

来源：评论

学校读者我要写书评

暂无评论

基于lstm神经网络的天然橡胶期货价格预测研究

基于LSTM神经网络的天然橡胶期货价格预测研究

引用

作者：张翠萍东北财经大学

学位级别：硕士

由于橡胶树对生产环境要求的严格性,我国能够种植橡胶的地方仅限于云南、海南以及广东等少数地区。但是,我国作为制造大国,对天然橡胶的需求不言而喻,仅靠我国的生产量根本无法满足需求,因此,需要大量的进口。这使得我国在国际天然橡胶... 详细信息

由于橡胶树对生产环境要求的严格性,我国能够种植橡胶的地方仅限于云南、海南以及广东等少数地区。但是,我国作为制造大国,对天然橡胶的需求不言而喻,仅靠我国的生产量根本无法满足需求,因此,需要大量的进口。这使得我国在国际天然橡胶的定价权上始终处于劣势地位。而期货作为一种套期保值的金融衍生品,可以很好地规避价格风险,因此,预测期货的价格就显得尤为重要。其不仅有利于天然橡胶生产者及消费者避免橡胶价格剧烈波动的风险,还可以保证天然橡胶价格的稳定性,同时有利于期货价格发现功能以及套期保值功能的实现。本文通过构建lstm神经网络模型对比分析了在不同指标作为输入变量时对预测结果的影响,结果发现仅使用价格数据为输入变量就可以得到比较好的预测效果,对测试集预测的均方根误差为227.04,而平均绝对百分比误差仅为1.34%。但是,在价格指标的基础上加入技术指标可以进一步提高预测效果,RMSE下降为217.47,MAPE降低至1.23%。另外,本文还对比分析了不同数据预处理方法对预测结果的影响,发现将所有输入变量均进行小波分解,然后使用分解后的各部分预测相应收盘价分解后的各部分的效果最好,对测试集预测的RMSE进一步降低至171.16,相比于仅进行数据标准化均方根误差下降了21.3%,MAPE降低至1.01%,这也说明了数据预处理的重要性。最后,本文对比分析了 SVR模型与lstm神经网络预测结果的差异,发现lstm神经网络的预测效果要好于SVR模型。本文的创新之处在于对比分析了不同指标对天然橡胶期货价格预测效果的影响以及小波分解和主成分分析等数据预处理方法对预测结果的影响。不足之处在于由于时间与篇幅的限制仅研究了在价格指标的基础上加入某一类指标对预测结果的影响,而未研究不同组合下的预测效果。

关键词：多指标数据预处理 lstm神经网络小波分析

来源：评论

学校读者我要写书评

暂无评论

深度学习框架下lstm神经网络的比特币价格预测分析

深度学习框架下LSTM神经网络的比特币价格预测分析

引用

作者：李瑜山西财经大学

学位级别：硕士

近年来随着计算机技术的发展,元宇宙、Web3.0等新兴领域逐渐进入到大众视野里。简单来说,它们就是基于区块链技术的去中心化的互联网,在分布式存储、开放式金融、数字货币等领域快速落地。而比特币作为区块链技术的首次应用,自其诞生以... 详细信息

近年来随着计算机技术的发展,元宇宙、Web3.0等新兴领域逐渐进入到大众视野里。简单来说,它们就是基于区块链技术的去中心化的互联网,在分布式存储、开放式金融、数字货币等领域快速落地。而比特币作为区块链技术的首次应用,自其诞生以来受到了广泛的研究和关注,随着其价格的不断上涨,不少学者开始尝试对其价格进行分析和预测。在早期,他们利用时间序列模型对比特币价格进行预测,该类模型对于线性数据预测较好,对比特币这些非线性数据预测效果一般。随着深度学习的蓬勃发展,不少学者开始采用RNN、lstm神经网络对比特币价格进行预测。RNN、lstm等神经网络对序列有记忆性,能够保留有用的信息,可以很好地拟合非线性数据,因此也取得了一定的成果。本文总结了可能影响比特币价格的4个因素,正是这些因素造成买卖双方博弈进而导致比特币价格的波动非线性,分别介绍了时间序列ARIMA模型与lstm神经网络模型的理论知识,并收集了比特币市场真实数据,对其进行了建模分析,并对其价格进行了预测,然后通过均方根误差对不同模型的预测结果进行了对比。由于ARIMA模型对样本数据的要求较高,它不能充分挖掘时间序列中的非线性成分,故其预测效果较差。而lstm神经网络能够有选择地记忆时间序列中的有用信息,并将之前信息传递下去,因而更适合于非线性数据的预测拟合。结果表明:多变量lstm神经网络模型预测效果最好,优于单变量lstm神经网络模型,优于ARIMA模型,由此说明lstm神经网络是一种较好的比特币价格预测方法。

关键词：区块链比特币价格预测 ARIMA模型 lstm神经网络

来源：评论

学校读者我要写书评

暂无评论

基于lstm神经网络的玉米期货价格预测研究

基于LSTM神经网络的玉米期货价格预测研究

引用

作者：代振山吉林财经大学

学位级别：硕士

近年来,由于政策、供求、国际等因素,我国玉米现货期货价格剧烈波动,特别是在2016年,国家取消了临时收储制度,转而实行“价补分离”政策,导致玉米的价格大幅度下跌,相关经营者的避险投资需求日益强烈。本文从对玉米期货价格产生影响的... 详细信息

近年来,由于政策、供求、国际等因素,我国玉米现货期货价格剧烈波动,特别是在2016年,国家取消了临时收储制度,转而实行“价补分离”政策,导致玉米的价格大幅度下跌,相关经营者的避险投资需求日益强烈。本文从对玉米期货价格产生影响的各种因素出发,构建基于lstm神经网络的预测模型,对玉米期货未来的价格进行预测,旨在为我国玉米经营生产企业规避风险提高收益,并为政府调控粮价提供一定参考。本文选取了2014年1月1日至2020年12月31日大商所玉米期货主力合约的交易日价格天级序列,分析其波动趋势和分布特征,并从期货基本交易数据、传统技术指标、宏观经济指标以及供需关系四个方面与玉米期货价格做了相关性分析,最终选取12个影响因子作为模型的输入特征。然后,以lstm神经网络为基础构建预测模型,预测模型包含3个lstm层,和1个Dense全连接层,通过网格搜索法进行调参,多次训练并输出不同参数设定下的损失值,最终确定参数的选择。将12个输入特征的数据归一化处理后,对输入的数据进行分析预测,进而得到玉米期货价格的预测结果。实证研究结果发现:(1)模型的预测精度为均方误差1174.85,克服了金融时间序列的非线性、非平稳、高噪声等特性,并且与传统的预测方法相比,预测的时间步长更长,达到了较好的预测效果。(2)本文构建的模型对玉米期货这一类发展中、不成熟的金融市场具有较好的预测效果,具有一定的参考、应用价值。本研究认为,我国目前的玉米期货市场处于弱式有效水平,需要慎重使用玉米期货价格预测方法,来对玉米期货价格实施宏观调控和技术分析,帮助玉米期货价格走势平稳,让玉米期货市场能够充分发挥其价格发现以及套期保值功能,满足交易者的避险投资需求。

关键词：期货市场深度学习 lstm神经网络价格预测

来源：评论

学校读者我要写书评

暂无评论

基于lstm神经网络的电商需求预测的研究

基于LSTM神经网络的电商需求预测的研究

引用

作者：王渊明山东大学

学位级别：硕士

随着电商行业近些年的飞速发展,电商企业的运营也不断精细化。运营考虑很重要的一个指标就是商品的未来销量。对于电商企业来说,商品的种类繁多,使用传统预测方法不一定能够达到精细化运营的精度。为多种类SKU提供准确的需求数据预测成... 详细信息

随着电商行业近些年的飞速发展,电商企业的运营也不断精细化。运营考虑很重要的一个指标就是商品的未来销量。对于电商企业来说,商品的种类繁多,使用传统预测方法不一定能够达到精细化运营的精度。为多种类SKU提供准确的需求数据预测成了电商精细化运营很重要的一个需求。本文以电商行业的历史销售数据为研究对象,探究使用lstm神经网络预测其SKU未来销量的可能性与方法。为了达到这一目的,本文构建了 lstm神经网络,使用S公司的历史销售数据作为训练数据,预测了未来的销量并对准确度进行评价,并提出了新的训练方法来优化神经网络的准确度。主要研究内容如下:(1)对于lstm神经网络能否用于电商企业未来销量的预测,本文构建了 lstm神经网络,设计了数据输入形式,选取了激活函数,讨论了避免过度拟合的方法,最后确定了使用随机梯度下降作为监督学习的训练方法。(2)将构建好的lstm神经网络使用S公司12种SKU历史数据进行训练和测试,其中12种SKU包括季节性和常规性商品,用来测试lstm神经网络对不同特点的SKU的效果。结论为实验过程中手动调整神经网络的参数包括lstm层数、lstm单元中隐藏神经元的个数和训练的迭代数,探究不同参数设定下对神经网络的影响。同时,实验增加了使用BP神经网络预测的对照,比较BP和lstm神经网络在该场景中的表现。(3)由于手动调整参数的不可靠性,本文提出一种lstm神经网络的训练优化方法,使其具有自适应性,能动态调整lstm单元中的隐藏神经元个数。并针对此训练方法使用之前提到的数据进行重新训练,验证其对神经网络准确性的改进。本文构建了 lstm神经网络对S公司的商品进行未来销量的预测,神经网络在测试集中取得了很好的结果,平均预测误差在10%以下,大幅度低于BP神经网络。针对lstm神经网络的自适应训练方法与手工调整参数相比也是有效的,大部分SKU都取得了更低的误差。实验说明了 lstm神经网络更适合用作电商行业的销量预测。

关键词： lstm神经网络自适应神经网络需求预测电商

来源：评论

学校读者我要写书评

暂无评论

基于PSO-VMD和lstm神经网络的桥梁健康监测数据分析

基于PSO-VMD和LSTM神经网络的桥梁健康监测数据分析

引用

作者：齐庆英贵州大学

学位级别：硕士

目前,很多桥梁加装了桥梁结构健康监测系统。由于桥梁监测数据具有时序性和不平稳性,导致监测所获取的数据缺乏实用性。为此,本文提出了一种基于粒子群优化变分模态参数分解-长短时记忆神经网络的数据降噪-预测的PSOVMD-lstm组合模型,... 详细信息

目前,很多桥梁加装了桥梁结构健康监测系统。由于桥梁监测数据具有时序性和不平稳性,导致监测所获取的数据缺乏实用性。为此,本文提出了一种基于粒子群优化变分模态参数分解-长短时记忆神经网络的数据降噪-预测的PSOVMD-lstm组合模型,以实现桥梁监测数据从采集降噪到预测的全过程。本文的主要内容包括:(1)提出粒子群(PSO)优化变分模态分解(VMD)参数的数据降噪组合算法对数据进行降噪及重构。以跨径为271m的连续刚构桥为背景桥模拟并收集桥梁运营时的挠度变化,并采用PSO优化VMD算法的分解模态数K和惩罚因子α参数对数据进行分解降噪。同时采用小波阈值降噪方法和经验模态分解(EMD)方法对比降噪效果,验证了所提出的PSO-VMD降噪方法在剔除原始数据序列中所含噪声的有效性和优越性。(2)多源桥梁数据集的构建和长短时记忆神经网络(lstm)模型的搭建实现。对各输入特征进行划分组合,建立组合数据集A-D并训练实验。将模型预测效果最好的输入组合B(应变+加速度)作为后续研究的输入特征组合来选取最终的模型最优超参数组合。基于此组合参数下实现lstm模型的搭建训练。(3)以实例验证PSO-VMD-lstm桥梁挠度降噪-预测组合模型。采用PSOVMD-LTSM方法将监测数据进行挠度预测,得组合模型的预测值。并通过模型对比,得出对数据降噪可以提高预测模型的预测精度,且经PSO-VMD分解降噪后的精度最高的结论;并对比验证lstm深度神经网络在挠度预测上可以提高模型的预测精度,减少预测值和真实值的误差。综合结果,说明使用本文所提出的PSO-VMD-lstm模型有效的剔除了监测数据序列中的噪声和干扰,同时将深度学习技术应用到桥梁健康监测领域。在数据降噪、预测桥梁挠度方面,相较于其他预测模型在性能上都有较大的优势,预测精度最高。在基于历史的监测数据的基础上能够为桥梁后续的加固、维修养护提供依据,保证桥梁在役期间的安全运营,对我国的基建行业的发展具有积极的贡献价值。

关键词： lstm神经网络 PSO-VMD 数据降噪桥梁健康监测

来源：评论

学校读者我要写书评

暂无评论

基于乘积季节模型和lstm神经网络的铁路货运量预测研究

基于乘积季节模型和LSTM神经网络的铁路货运量预测研究

引用

作者：蒋泽华华东交通大学

学位级别：硕士

铁路货运量作为铁路运输市场体系中的一个重要指标，它的预测历来是铁路运输系统中重要的研究课题。本文打破了传统铁路货运量预测的思路，着重考虑了铁路货运量数据的线性特征和非线性特征，在乘积季节模型和 lstm 神经网络的基础上，... 详细信息

铁路货运量作为铁路运输市场体系中的一个重要指标，它的预测历来是铁路运输系统中重要的研究课题。本文打破了传统铁路货运量预测的思路，着重考虑了铁路货运量数据的线性特征和非线性特征，在乘积季节模型和 lstm 神经网络的基础上，建立了组合预测模型预测铁路货运量数据，并对预测结果进行了比较分析。　　第一，通过分析铁路货运量数据的特征，发现铁路货运量数据呈现出明显的上升趋势和周期性特征，属于非平稳的数据。首先，通过差分运算对铁路货运量数据进行平稳化处理，确定乘积季节模型各个参数的取值范围。其次，利用AIC准则确定了各个参数的值，并进行了残差的检验。最后，根据残差的检验结果，选择采用有6个月的相对误差高于7%，RMSE值为2235，预测结果的整体误差较大。主要原因是铁路货运量数据中的非线性特征较为明显。　　第二，针对铁路货运量数据的非线性特征，构建了基于 lstm 神经网络的预测模型。通过实验选择了 lstm 神经网络的各项参数，并对铁路货运量数据进行了预测。结果表明，有5个月的相对误差高于7%且部分月份的相对误差高于10%，RMSE值为2411，预测效果低于乘积季节模型。主要原因是lstm神经网络对铁路货运量的整体变化趋势把握较差。　　第三，为进一步提高铁路货运量的预测精度，分别设计了基于误差修正的组合预测模型和基于权重分配的组合预测模型对铁路货运量数据进行预测。结果表明，两种组合预测模型的预测精度均高于单一预测模型的精度，其中基于误差修正的组合预测模型的预测精度最高，RMSE 值为 1588，预测精度较乘积季节模型提高了28.9%，较lstm神经网络提高了34.9%。最后，采用基于误差修正的组合预测模型对2018年11月-2019年10月的铁路货运量数据进行了预测。

关键词：铁路货运量神经网络乘积季节模型 lstm神经网络组合预测模型

来源：评论

学校读者我要写书评

暂无评论

基于自适应非负绞杀与lstm神经网络的动态软测量算法研究及应用

基于自适应非负绞杀与LSTM神经网络的动态软测量算法研究及应用

引用

作者：隋璘齐鲁工业大学

学位级别：硕士

现代工业过程中,为保证产品质量与生产过程安全性,需要对某些难以直接测量却又与之密切相关的关键变量进行实时监测。软测量技术通过挖掘易于获取的辅助变量与难测主导变量之间的关系建立数学模型,间接完成对主导变量的有效估计,被广泛... 详细信息

现代工业过程中,为保证产品质量与生产过程安全性,需要对某些难以直接测量却又与之密切相关的关键变量进行实时监测。软测量技术通过挖掘易于获取的辅助变量与难测主导变量之间的关系建立数学模型,间接完成对主导变量的有效估计,被广泛应用于各种现代流程工业和过程控制领域。然而,现代工业过程建模中,生产过程的多变量、非线性以及动态性会导致模型复杂度增高且建模精度降低。针对这一问题,本文基于稀疏学习理论与最优化方法,设计惩罚似然函数与长短期记忆(Long short-term memory,lstm)神经网络相融合的非线性优化问题,开展面向复杂工业过程动态软测量算法的研究。论文主要研究内容如下:(1)针对复杂工业过程的动态软测量建模问题,将非负绞杀(Nonnegative garrote,NNG)算法与lstm神经网络相结合,提出一种基于lstm神经网络及其输入变量选择的动态软测量算法(NNG-lstm)。首先,利用lstm神经网络出色的历史信息记忆能力处理工业过程中的动态、时滞等问题;其次,采用NNG算法对lstm网络输入权重进行压缩,剔除冗余变量,提高模型精度;最后通过数值仿真与对比实验验证了算法的优越性。实验结果表明所提算法能有效剔除冗余变量,降低模型复杂度并提高其预测性能。(2)针对NNG算法对lstm神经网络输入权重优化时存在系数估计有偏的缺点,提出一种基于自适应NNG(Adaptive-NNG,ANNG)与lstm神经网络的动态软测量算法(ANNG-lstm)。利用最大互信息系数算法衡量输入变量与目标变量的关联程度,以设计自适应权重向量,并将其嵌入NNG-lstm算法约束中,使算法可根据不同输入变量的特征重要性而施加不同程度的惩罚,实现其自适应输入变量选择与参数同步优化。数值仿真结果表明,ANNG-lstm算法所建模型的变量选择结果更加精准有效,具有更高的预测精度与泛化性能。(3)通过深入分析某燃煤电厂石灰石-石膏湿法烟气脱硫过程工艺机理,将ANNG-lstm算法应用于该过程排放烟气的SO浓度软测量建模,并与其它先进算法进行性能比较,验证了所提算法的有效性。实验结果表明,ANNG-lstm算法所建模型的各项性能指标均优于其它算法,其模型输入变量数目更少、预测精度更高,能精确预测排放烟气中SO浓度的动态变化,可为该电厂烟气脱硫过程的SO浓度在线监测提供有力参考。

关键词：软测量 lstm神经网络非负绞杀数据驱动建模变量选择

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：