CN109493150A - 一种市场价格走势预测方法 - Google Patents
一种市场价格走势预测方法 Download PDFInfo
- Publication number
- CN109493150A CN109493150A CN201811601887.4A CN201811601887A CN109493150A CN 109493150 A CN109493150 A CN 109493150A CN 201811601887 A CN201811601887 A CN 201811601887A CN 109493150 A CN109493150 A CN 109493150A
- Authority
- CN
- China
- Prior art keywords
- classifier
- data block
- sample
- market price
- indicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims description 5
- 241000580063 Ipomopsis rubra Species 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 239000003245 coal Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 241000282461 Canis lupus Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- PLDDOISOJJCEMH-UHFFFAOYSA-N neodymium(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Nd+3].[Nd+3] PLDDOISOJJCEMH-UHFFFAOYSA-N 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种市场价格走势预测方法,包括以下步骤:初始化、对上一个数据块进行标记、在上一个数据块上训练新分类器、用上一个数据块增量训练已有分类器、求取分类器权重、对所有分类器输出融合得到最终预测、修正分类器集合、输出新的价格走势预测。本发明具有以下有益效果:1)综合考虑多种因素对市场价格走势进行实时预测,2)采用多种分类器进行融合具有较高的准确度与较强的稳定性,3)利用增量学习提高了所有分类器的适应性。
Description
技术领域
本发明涉及数据分析领域,特别是涉及一种市场价格走势预测方法。
背景技术
经营者搞好市场行情的调查,可以为商品生产者和经营者提供决策依据,加强生产和经营的计划性;并为他们开展业务提供及时的、有效的信息,增强他们经营的灵活性和主动性,最终提高经济效益。为了在瞬息万变的市场环境中取得主动地位,必须实现实时的市场价格走势预测。而这项工作往往需要由计算机对大量的历史数据进行分析而实现。
文献[1]提出了一种基于变分模态分解、季节性差分自回归滑动平均模型和果蝇优化最小二乘支持向量机的混合模型。该方法利用变分模态分解方法将国际原油价格序列分解成一系列模态分量,然后针对周期性和非线性特征分量分别建立季节性差分自回归滑动平均模型和果蝇优化最小二乘支持向量机模型进行预测,最后将各分量的预测值求和作为最终的预测结果。这种方法目的是基于过去的价格时间序列预测未来的价格,输入的信息十分单一,只能应用于市场价格有固定规律的场景,而严格来说这种场景是较少的。
文献[2]提出了一种基于自适应遗传算法优化的BP神经网络股票价格预测方法。文献中,针对BP神经网络初始权值随机、遗传算法易陷入局部优化等问题,给出了一种基于自适应遗传算法优化的BP神经网络股票价格预测模型。该模型通过自适应遗传算法对BP神经网络初始权值进行优化,从而对股票价格进行预测分析。与文献[1]一样,其本质上也是一种时间序列预测。类似的还可见于文献[3]与文献[4]。
文献[5]公开了一种电力市场价格预测系统,综合考虑了电力需求、拥挤程度等信息进行电力市场价格的预测。但是,文中却没有涉及具体的预测方法。
文献[6]公开了一种电煤价格预测方法,所述预测方法包括以下步骤:输入电煤价格预测的选取指标并对各输入指标进行数据预处理,利用狼群算法对最小二乘支持向量机模型的参数进行优化,构建基于狼群算法和最小二乘支持向量机模型的电煤价格预测模型。为了提升最小二乘支持向量机性能,文献选用狼群算法对最小二乘支持向量机的参数进行寻优。但是,文献中公开的方法本质上只能用于静态环境,在变幻莫测的市场中往往会性能下降。
文献[7]公开了一种药材价格预测方法,包括如下步骤:药材价格数据准备、药材价格影响因素分析、建立小波神经网络预测模型、得出价格预测结果。本发明的有益效果是:预测效果很好,精度较高;同时,移植性较高,只需分析不同品种价格及其影响因素,均可进行检验和预测。文献考虑了面积、年产量、炒作因素、降水量、农业生产资料价格指数和农产品生产者价格指数等影响因素,因此相较于文献[1-4]有较高的预测能力。但是其本质上与文献[6]类似,仅适用于静态环境。
由于市场是动态变化的,所以对市场价格走势的预测模型必须能够适应这种变化,也就是说,该模型需要根据新进的历史数据调整模型参数。然而,现有的方法并不具备这种自适应的特性。
参考文献:
1、张金良,李德智,谭忠富.基于混合模型的国际原油价格预测研究[J/OL].北京理工大学学报(社会科学版),2019(01):1-6[2018-12-20].
2、郝继升,任浩然,井文红.基于自适应遗传算法优化的BP神经网络股票价格预测[J/OL].河南科学,2017(02):190-195[2018-12-20].
3、韩兴国,张蕾.基于ARIMA模型对氧化钕价格的预测分析[J].铸造技术,2018,39(10):2354-2359.
4、丁慧娟,张金磊,陈建中,李均涛,崔鹏.ARIMA模型和灰色模型在农产品价格预测中的应用比较[J].安徽农业科学,2018,46(24):191-194.
5、鹤贝满男等,电力市场价格预测系统,申请号:CN200610132079.9,申请日:2006-10-24.
6、牛东晓等,一种电煤价格预测方法,申请号:CN201810941979.0,申请日:2018-08-17.
7、龙兴超等,一种药材价格预测方法,申请号:CN201610684822.5,申请日:2016-09-23.
发明内容
本发明技术克服现有技术的不足,解决了基于视觉与振动的地形分类中标注缺失情况的训练问题。
为解决上述问题,本发明公开了一种市场价格走势预测方法,具体包括以下步骤:
步骤一:初始化:令分类器集合为空集,人工设置的元素数量上限M,M为大于1的整数;
步骤二:如果存在上一个数据块S,则对其进行标记,即为样本si∈S分配一个标记yi,得到标记后的数据块L={li=(si,yi),i=1,2···,|L|},标记内容包括:陡降、缓降、持平、缓升、陡升;
步骤三:在L上训练一个分类器C′,求该分类器C′的权重
其中表示L中标记的分布;
步骤四:用L增量训练中的所有分类器;
步骤五:对中的每个分类器Cj,求取其权重方法如下:
其中,表示分类器Cj将样本si预测为yi的概率,|S|为S中样本个数;
步骤六:等待新数据块的到来,如果到来,对其每个样本进行预测,方法如下:首先计算集成分类概率向量
其中,表示样本输入到分类器Cj中输出的置信度向量,该向量之和为1;然后选取中最大值对应的类作为的最终预测;
步骤七:令如果中的分类器数量大于M,则求取可被替换分类器并令其中的求取方法如下:
其中,γ取大于0的实数;d(·,·)为多样性系数;
步骤八:重复步骤二至七,即可实现新进数据块的预测与分类器的修正。
其中,所述的样本由以下变量组成:地域、天气、气候、节日、成本走势、供需情况、环境友好度、政策符合度。
其中,所述的多样性系数为采用以下形式:
其中,表示与在数据块S上中共同分错的样本数,表示Ci在数据块S上中分错但Cj在数据块S上中分对的样本数,表示Ci在数据块S上中分对但Cj在数据块S上中分错的样本数,表示Ci与Cj在数据块S上中共同分对的样本数。
其中,所述的分类器为决策树或支持向量机。
进一步地,如果所选分类器为决策树,那么步骤三中所述的增量训练的算法为ID4、ID5R或ITI。
与已有的技术相比,本发明具有以下优点:1)综合考虑多种因素对市场价格走势进行实时预测,2)采用多种分类器进行融合具有较高的准确度与较强的稳定性,3)利用增量学习提高了所有分类器的适应性。
附图说明
图1为本发明流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图与具体实施例对本发明进行详细说明。
一种市场价格走势预测方法,如图1所示,具体包括以下步骤:
步骤一:初始化:令分类器集合为空集,人工设置的元素数量上限M,M为大于1的整数;
步骤二:如果存在上一个数据块S,则对其进行标记,即为样本si∈S分配一个标记yi,得到标记后的数据块L={li=(si,yi),i=1,2···,|L|},标记内容包括:陡降、缓降、持平、缓升、陡升;
步骤三:在L上训练一个分类器C′,求该分类器C′的权重
其中表示L中标记的分布;
步骤四:用L增量训练中的所有分类器;
步骤五:对中的每个分类器Cj,求取其权重方法如下:
其中,表示分类器Cj将样本si预测为yi的概率,|S|为S中样本个数;
步骤六:等待新数据块的到来,如果到来,对其每个样本进行预测,方法如下:首先计算集成分类概率向量
其中,表示样本输入到分类器Cj中输出的置信度向量,该向量之和为1;然后选取中最大值对应的类作为的最终预测;
步骤七:令如果中的分类器数量大于M,则求取可被替换分类器并令其中的求取方法如下:
其中,γ取大于0的实数;d(·,·)为多样性系数;
步骤八:重复步骤二至七,即可实现新进数据块的预测与分类器的修正。
优选地,所述的样本由以下变量组成:地域、天气、气候、节日、成本走势、供需情况、环境友好度、政策符合度。
优选地,所述的多样性系数为采用以下形式:
其中,表示与在数据块S上中共同分错的样本数,表示Ci在数据块S上中分错但Cj在数据块S上中分对的样本数,表示Ci在数据块S上中分对但Cj在数据块S上中分错的样本数,表示Ci与Cj在数据块S上中共同分对的样本数。
优选地,所述的分类器为决策树或支持向量机。
进一步优选地,如果所选分类器为决策树,那么步骤三中所述的增量训练的算法为ID4、ID5R或ITI。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (5)
1.一种市场价格走势预测方法,其特征在于,具体包括以下步骤:
步骤一:初始化:令分类器集合C为空集,人工设置C的元素数量上限M,M为大于1的整数;
步骤二:如果存在上一个数据块S,则对其进行标记,即为样本si∈S分配一个标记yi,得到标记后的数据块L={li=(si,yi),i=1,2···,|L|},标记内容包括:陡降、缓降、持平、缓升、陡升;
步骤三:在L上训练一个分类器C′,求该分类器C′的权重
其中 表示L中标记的分布;
步骤四:用L增量训练中的所有分类器;
步骤五:对中的每个分类器Cj,求取其权重方法如下:
其中,表示分类器Cj将样本si预测为yi的概率,|S|为S中样本个数;
步骤六:等待新数据块的到来,如果到来,对其每个样本进行预测,方法如下:首先计算集成分类概率向量
其中,表示样本输入到分类器Cj中输出的置信度向量,该向量之和为1;然后选取中最大值对应的类作为的最终预测;
步骤七:令如果中的分类器数量大于M,则求取可被替换分类器并令其中的求取方法如下:
其中,γ取大于0的实数;d(·,·)为多样性系数;
步骤八:重复步骤二至七,即可实现新进数据块的预测与分类器的修正。
2.根据权利要求1所述的一种市场价格走势预测方法,其特征在于,所述的样本由以下变量组成:地域、天气、气候、节日、成本走势、供需情况、环境友好度、政策符合度。
3.根据权利要求1所述的一种市场价格走势预测方法,其特征在于,所述的多样性系数为采用以下形式:
其中,表示与在数据块S上中共同分错的样本数,表示Ci在数据块S上中分错但Cj在数据块S上中分对的样本数,表示Ci在数据块S上中分对但Cj在数据块S上中分错的样本数,表示Ci与Cj在数据块S上中共同分对的样本数。
4.根据权利要求1所述的一种市场价格走势预测方法,其特征在于,所述的分类器为决策树或支持向量机。
5.根据权利要求4所述的一种市场价格走势预测方法,其特征在于,如果所选分类器为决策树,那么步骤三中所述的增量训练的算法为ID4、ID5R或ITI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601887.4A CN109493150A (zh) | 2018-12-26 | 2018-12-26 | 一种市场价格走势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811601887.4A CN109493150A (zh) | 2018-12-26 | 2018-12-26 | 一种市场价格走势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109493150A true CN109493150A (zh) | 2019-03-19 |
Family
ID=65712320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811601887.4A Withdrawn CN109493150A (zh) | 2018-12-26 | 2018-12-26 | 一种市场价格走势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493150A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428144A (zh) * | 2019-07-09 | 2019-11-08 | 华能汕头海门发电有限责任公司 | 适用于电厂的燃煤采购与发电指标预测处理系统及方法 |
-
2018
- 2018-12-26 CN CN201811601887.4A patent/CN109493150A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428144A (zh) * | 2019-07-09 | 2019-11-08 | 华能汕头海门发电有限责任公司 | 适用于电厂的燃煤采购与发电指标预测处理系统及方法 |
CN110428144B (zh) * | 2019-07-09 | 2022-08-16 | 华能汕头海门发电有限责任公司 | 适用于电厂的燃煤采购与发电指标预测处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feizabadi | Machine learning demand forecasting and supply chain performance | |
Llorca et al. | Efficiency and environmental factors in the US electricity transmission industry | |
Azadeh et al. | An integrated DEA PCA numerical taxonomy approach for energy efficiency assessment and consumption optimization in energy intensive manufacturing sectors | |
Bergantino et al. | The role of external factors versus managerial ability in determining seaports’ relative efficiency: An input-by-input analysis through a multi-step approach on a panel of Southern European ports | |
Dominish et al. | Just transition: employment projections for the 2.0 C and 1.5 C scenarios | |
Gong | Different behaviors in natural gas production between national and private oil companies: Economics-driven or environment-driven? | |
CN107992975A (zh) | 一种融合历史数据和实时影响因素的精细化负荷预测方法 | |
Schreiner et al. | A pathway to green growth? Macroeconomic impacts of power grid infrastructure investments in Germany | |
Wang et al. | Performance based regulation of the electricity supply industry in Hong Kong: An empirical efficiency analysis approach | |
Chen et al. | Forecasting carbon futures price: a hybrid method incorporating fuzzy entropy and extreme learning machine | |
Mohamed et al. | Mid-term electricity price forecasting using SVM | |
Fatima et al. | Oil demand forecasting for China: a fresh evidence from structural time series analysis | |
CN109493150A (zh) | 一种市场价格走势预测方法 | |
Woldemariam | A framework for transportation infrastructure cost prediction: A support vector regression approach | |
Otsuka | Regional Energy Demand and Energy Efficiency in Japan: An Application of Economic Analysis | |
Wang et al. | Prediction of Chongqing's grain output based on support vector machine | |
Hanes et al. | Quantifying adoption rates and energy savings over time for advanced energy-efficient manufacturing technologies | |
Hsu et al. | A Grey hybrid model with industry share for the forecasting of cargo volumes and dynamic industrial changes | |
Zhang et al. | A bi-level programming methodology for decentralized mining supply chain network design | |
Rahman | Econometric modelling of energy-economy interactions in oil importing developing countries: an empirical test with Indian data | |
Thanh et al. | Application of combined SWOT and AHP analysis to assess the reality and select the priority factors for social and economic development (a case study for Soc Trang City) | |
Geldermann et al. | Scenario implementation and impact indicator calculation in dynamic input-output modeling | |
Wang et al. | A forecasting method of multi-category product sales: analysis and application | |
Mutran et al. | Bioenergy investments in sugarcane mills: an approach combining portfolio theory with neural networks | |
Wang et al. | Empirical Investigation of Home Market Effect: New Evidence from China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190319 |
|
WW01 | Invention patent application withdrawn after publication |