CN109961322A - 塑料原材料价格预测方法及装置、电子设备 - Google Patents

塑料原材料价格预测方法及装置、电子设备 Download PDF

Info

Publication number
CN109961322A
CN109961322A CN201910198233.XA CN201910198233A CN109961322A CN 109961322 A CN109961322 A CN 109961322A CN 201910198233 A CN201910198233 A CN 201910198233A CN 109961322 A CN109961322 A CN 109961322A
Authority
CN
China
Prior art keywords
raw materials
price
plastics production
neural network
particle
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.)
Pending
Application number
CN201910198233.XA
Other languages
English (en)
Inventor
章志容
黄俊金
陈子繁
李实�
彭添才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
DONGGUAN MENGDA PLASTICIZING TECHNOLOGY Co Ltd
Original Assignee
DONGGUAN MENGDA PLASTICIZING TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by DONGGUAN MENGDA PLASTICIZING TECHNOLOGY Co Ltd filed Critical DONGGUAN MENGDA PLASTICIZING TECHNOLOGY Co Ltd
Priority to CN201910198233.XA priority Critical patent/CN109961322A/zh
Publication of CN109961322A publication Critical patent/CN109961322A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种塑料原材料价格预测方法及装置、电子设备。本发明所述的塑料原材料价格预测方法包括如下步骤：获取塑料原材料的历史价格的时间序列数据；获取当前影响原材料价格的相关参数数据；将该时间序列数据和相关参数数据输入BP神经网络模型，获取当前时间节点塑料原材料的预测价格。本发明所述的塑料原材料价格预测方法，根据塑料原材料的历史价格数据和影响原材料价格的相关参数，通过BP神经网络获取当前时间节点塑料原材料的预测价格，能实现对塑料原材料价格的准确预测。

Description

塑料原材料价格预测方法及装置、电子设备
技术领域
本发明涉及塑料价格信息处理领域，特别是涉及一种塑料原材料价格预测方法及装置、电子设备。
背景技术
目前，塑料化工行业正处于迈向产业中高端发展的关键时期，塑料原材料作为行业发展强有力的推动力量，其价格波动也牵动着产业的神经。塑料原材料主要包括通用塑料、工程塑料、化工用料、改性塑料等，通用塑料主要包括PVC、PP、PE、ABS等，而塑料原材料价格往往由国内国际市场、基差、成本、产量、开工率、库存等多个维度决定，难以实现准确预测。
发明内容
基于此，本发明的目的在于，提供一种塑料原材料价格预测方法，其使用BP神经网络实现对塑料原材料价格的准确预测。
本发明是通过如下方案实现的：
一种塑料原材料价格预测方法，包括如下步骤：
获取塑料原材料的历史价格的时间序列数据；
获取当前影响原材料价格的相关参数数据；
将该时间序列数据和相关参数数据输入BP神经网络模型，获取当前时间节点塑料原材料的预测价格。
本发明所述的塑料原材料价格预测方法，根据塑料原材料的历史价格数据和影响原材料价格的相关参数，通过BP神经网络获取当前时间节点塑料原材料的预测价格，能实现对塑料原材料价格的准确预测。
进一步地，所述相关参数数据包括当前国内市场价格、国际市场价格、基差、成本、产量、开工率、库存等中的一个或多个。
进一步地，所述时间序列数据为塑料原材料的历史周价格，所述当前时间节点为当前周。
进一步地，所述BP神经网络模型的训练过程包括：
获取塑料原材料的历史价格的时间序列数据；
获取影响原材料历史价格的相关参数数据；
使用塑料原材料的历史价格的时间序列数据和影响原材料历史价格的相关参数数据训练BP神经网络模型，通过粒子群寻优算法优化BP神经网络的权值和阈值。
进一步地，使用塑料原材料的历史价格的时间序列数据和影响原材料历史价格的相关参数数据训练BP神经网络模型，通过粒子群寻优算法优化BP神经网络的权值和阈值，包括：
初始化BP神经网络模型，设置初始的权值和阈值；
将BP神经网络中的权值和阈值编为粒子，并初始化人工粒子种群；
使用塑料原材料的历史价格的时间序列数据和影响原材料历史价格的相关参数数据训练BP神经网络模型，并利用训练样本误差，对人工粒子种群的每个个体进行适应度值评价；
将每个粒子的适应度值与个体最优粒子进行比较，得到全局最优粒子；
根据预设规则更新粒子速度和位置；
如果满足训练终止条件，则停止训练并输出最优的权值和阈值至所述BP神经网络模型。
进一步地，用训练样本误差，对人工粒子种群的每个个体进行适应度值评价，包括：
将训练样本误差作为适应度函数，并计算每个粒子的适应度值，所述适应度函数为：
其中，ok为第k个节点的期望输出，yk为第k个节点的预测输出。
进一步地，根据预设规则更新粒子速度，其公式为：
vi(t+1)＝ωvi(t)+c1r1(pb(t)-xi(t))+c2r2(pg(t)-xi(t))
其中，vi(t)为第i个粒子在第t次迭代中的速度；xi(t)为第i个粒子在第t次迭代中的位置；ω为惯性权重；c1、c2分别为认知学习因子和社会学习因子；r1与r2为[0，1]之间的随机数，pb(t)为第t次迭代中的个体最优值；pg(t)为第t次迭代中的全局最优值。
进一步地，根据预设规则更新粒子位置，其公式为：
xi(t+1)＝xi(t)+vi(t+1)
其中，xi(t+1)为第i个粒子在第t+1次迭代中的位置。
进一步地，本发明还提供一种塑料原材料价格预测装置，其特征在于，包括：
时间序列数据获取模块，用于获取塑料原材料的历史价格的时间序列数据；
相关参数数据获取模块，用于获取当前影响原材料价格的相关参数数据；
预测模块，用于将该时间序列数据和相关参数数据输入BP神经网络模型，获取当前时间节点塑料原材料的预测价格。
本发明所述的塑料原材料价格预测装置，根据塑料原材料的历史价格数据和影响原材料价格的相关参数，通过BP神经网络获取当前时间节点塑料原材料的预测价格，能实现对塑料原材料价格的准确预测。
进一步地，本发明还提供一种电子设备，存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例中任意一项所述的塑料原材料价格预测方法。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为一个实施例中塑料原材料价格预测方法流程图；
图2为一个实施例中BP神经网络模型结构示意图；
图3为一个实施例中BP神经网络模型的训练步骤流程图；
图4为一个实施例中BP神经网络模型的具体训练步骤流程图；
图5为一个实施例中塑料原材料价格预测装置结构示意图；
图6为一个实施例中电子设备的结构示意图。
具体实施方式
请参阅图1，在一个实施例中，本发明的塑料原材料价格预测方法包括如下步骤：
步骤S101：获取塑料原材料的历史价格的时间序列数据。
历史价格时间序列数据的计量单位可以是以小时，或以日为单位，优选的以周为单位，可以是一段时间内的平均值，或峰值，优选的为平均值。
塑料原材料的历史价格的时间序列数据是指按照时间顺序排列的，当前时间节点前一段时间内按照时间顺序排列的塑料原材料的历史价格的集合。
步骤S102：获取当前影响原材料价格的相关参数数据。
当前影响原材料价格的相关参数包括与塑料原材料价格密切相关的一些相关数据，可以是包括塑料原材料当前国内市场价格、国际市场价格、基差、成本、产量、开工率、库存等中的一个或多个。
步骤S103：将该时间序列数据和相关参数数据输入BP神经网络模型，获取当前时间节点塑料原材料的预测价格。
BP(back propagation)神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的。具体来说，BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
请参阅图2，在一个实施例中，所述BP神经网络模型包括输入层、隐含层和输出层。其中，输入层包括n个神经元，第n个输入层神经元用xn表示，隐含层有h个神经元，第h个隐含层神经元用wh表示，输出层有m个神经元，第ym表示。ωmn和ωmn分别为输入层与隐含层之间、隐含层与输出层之间的连接权值，bn和bq分别为隐含层与输出层各层节点之间的阈值。
BP神经网络模型的训练包括正向传递和误差反向传播两个过程，当BP神经网络的实际输出yk与期望输出ok之间的训练样本误差MSE大于设定阈值时，将训练样本误差MSE反向传播至各神经元，各神经元根据训练样本误差误差MSE调整权值ω和阈值b。
在一个实施例中，请参阅图3，所述BP神经网络模型的训练过程包括如下步骤：
步骤S301：获取塑料原材料的历史价格的时间序列数据。
步骤S302：获取影响原材料历史价格的相关参数数据。
步骤S303：使用塑料原材料的历史价格的时间序列数据和影响原材料历史价格的相关参数数据训练BP神经网络模型，通过粒子群寻优算法优化BP神经网络的权值和阈值。
在此实施例中，通过塑料原材料的历史价格时间序列数据和历史价格相关参数数据来训练BP神经网络模型，并通过粒子群寻优算法优化BP神经网络模型的权值ω和阈值b。
具体的，步骤S303包括如下子步骤：
步骤S401：初始化BP神经网络模型，设置初始的权值ω和阈值b。
步骤S402：将BP神经网络中的权值和阈值编为粒子，并初始化人工粒子种群。其中，初始化人工粒子种群包括初始化人工粒子种群的规模、粒子的位置和粒子的速度以及粒子速度的最大值。
步骤S403：使用塑料原材料的历史价格的时间序列数据和影响原材料历史价格的相关参数数据训练BP神经网络模型，并利用训练样本误差MSE，对人工粒子种群的每个个体进行适应度值评价。
将训练样本误差作为适应度函数，并计算每个粒子的适应度值，其中，适应度函数为：
其中，ok为第k个节点的期望输出，yk为第k个节点的预测输出。
步骤S404：将每个粒子的适应度值与个体最优粒子进行比较，得到全局最优粒子。判断粒子的适应度值是否大于个体历史的最优适应度值，如果大于，个体历史的最优适应度值，则更新个体历史最优适应度值并记录最优位置，判断粒子适应度值是否大于种群历史最优适应度值，如果大于种群历史最优适应度值，则更新种群历史最优值并记录最优位置，并进一步将该粒子设为全局最优粒子。
步骤S405：根据预设规则更新粒子速度和位置，其中，粒子速度在最大粒子速度范围内更新。
更新第i个粒子的速度公式为：
vi(t+1)＝ωvi(t)+c1r1(pb(t)-xi(t))+c2r2(pg(t)-xi(t))
其中，vi(t)为第i个粒子在第t次迭代中的速度；xi(t)为第i个粒子在第t次迭代中的位置；ω为惯性权重；c1、c2分别为认知学习因子和社会学习因子；r1与r2为[0，1]之间的随机数，pb(t)为第t次迭代中的个体最优值；pg(t)为第t次迭代中的全局最优值。
更新第i个粒子的距离公式为：
xi(t+1)＝xi(t)+vi(t+1)
其中，xi(t+1)为第i个粒子在第t+1次迭代中的位置。
步骤S406：如果满足训练终止条件，则停止训练并输出最优的权值和阈值至所述BP神经网络模型。
所述终止条件可以是在训练过程中计算训练样本误差MSE是否小于设定阈值，或迭代次数是否大于设定最大迭代次数，如果训练样本误差MSE小于设定阈值，或迭代次数大于设定最大迭代次数，则训练结束，将最优权值ω和最优阈值b输出至所述BP神经网络模型。
本发明所述的塑料原材料价格预测方法，根据塑料原材料的历史价格数据和影响原材料价格的相关参数，通过BP神经网络获取当前时间节点塑料原材料的预测价格，能实现对塑料原材料价格的准确预测，通过粒子寻优算法优化BP神经网络模型，克服了传统梯度下降法的缺陷，提高了寻优速度和精度，进一步提高了对塑料原材料价格预测的准确度。
请参阅图5，在一个实施例中，基于同一发明构思，本发明塑料原材料价格预测装置包括：
时间序列数据获取模块501，用于获取塑料原材料的历史价格的时间序列数据。
相关参数数据获取模块502，用于获取当前影响原材料价格的相关参数数据。
预测模块503，用于将该时间序列数据和相关参数数据输入BP神经网络模型，获取当前时间节点塑料原材料的预测价格。
在一个实施例中，还包括训练模块504，所述训练模块504包括：
时间序列数据获取单元5041，用于获取塑料原材料的历史价格的时间序列数据。
相关参数数据获取单元5042，用于获取影响原材料历史价格的相关参数数据。
训练单元5043，用于使用塑料原材料的历史价格的时间序列数据和影响原材料历史价格的相关参数数据训练BP神经网络模型，通过粒子群寻优算法优化BP神经网络的权值和阈值。
在一个实施例中，所述训练单元5043包括：
第一初始化单元5044，用于初始化BP神经网络模型，设置初始的权值和阈值。
第二初始化单元5045，将BP神经网络中的权值和阈值编为粒子，并初始化人工粒子种群。
适应度值评价单元5046，用于使用塑料原材料的历史价格的时间序列数据和影响原材料历史价格的相关参数数据训练BP神经网络模型，并利用训练样本误差，对人工粒子种群的每个个体进行适应度值评价。
最优粒子获取单元5047，用于将每个粒子的适应度值与个体最优粒子进行比较，得到全局最优粒子。
更新单元5048，用于根据预设规则更新粒子速度和位置。
训练结束单元5049，用于如果满足训练终止条件，则停止训练并输出最优的权值和阈值至所述BP神经网络模型。
本发明所述的塑料原材料价格预测装置，根据塑料原材料的历史价格数据和影响原材料价格的相关参数，通过BP神经网络获取当前时间节点塑料原材料的预测价格，能实现对塑料原材料价格的准确预测，通过粒子寻优算法优化BP神经网络模型，克服了传统梯度下降法的缺陷，提高了寻优速度和精度，进一步提高了对塑料原材料价格预测的准确度。
请参阅图6，在一个实施例中，本发明的电子设备600包括存储器601和处理器602，以及储存在所述存储器601并可被所述处理器602执行的计算机程序，所述处理器602执行所述计算机程序时，实现如上述任意一项实施例中的塑料原材料价格预测方法。
在本实施例中，处理器602和存储器601通过总线连接，处理器602可以是一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件。存储器601可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息，在本实施例中，所述处理器602还可以为多个，所述电子设备600还可以是多台计算机构成的服务器集群。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种塑料原材料价格预测方法，其特征在于，包括如下步骤：
获取塑料原材料的历史价格的时间序列数据；
获取当前影响原材料价格的相关参数数据；
将该时间序列数据和相关参数数据输入BP神经网络模型，获取当前时间节点塑料原材料的预测价格。
2.根据权利要求1所述的塑料原材料价格预测方法，其特征在于：
所述相关参数数据包括当前国内市场价格、国际市场价格、基差、成本、产量、开工率、库存等中的一个或多个。
3.根据权利要求1所述的塑料原材料价格预测方法，其特征在于：
所述时间序列数据为塑料原材料的历史周价格，所述当前时间节点为当前周。
4.根据权利要求1至3任一项所述的塑料原材料价格预测方法，其特征在于，所述BP神经网络模型的训练过程包括：
获取塑料原材料的历史价格的时间序列数据；
获取影响原材料历史价格的相关参数数据；
使用塑料原材料的历史价格的时间序列数据和影响原材料历史价格的相关参数数据训练BP神经网络模型，通过粒子群寻优算法优化BP神经网络的权值和阈值。
5.根据权利要求4所述的塑料原材料价格预测方法，其特征在于，使用塑料原材料的历史价格的时间序列数据和影响原材料历史价格的相关参数数据训练BP神经网络模型，通过粒子群寻优算法优化BP神经网络的权值和阈值，包括：
初始化BP神经网络模型，设置初始的权值和阈值；
将BP神经网络中的权值和阈值编为粒子，并初始化人工粒子种群；
使用塑料原材料的历史价格的时间序列数据和影响原材料历史价格的相关参数数据训练BP神经网络模型，并利用训练样本误差，对人工粒子种群的每个个体进行适应度值评价；
将每个粒子的适应度值与个体最优粒子进行比较，得到全局最优粒子；
根据预设规则更新粒子速度和位置；
如果满足训练终止条件，则停止训练并输出最优的权值和阈值至所述BP神经网络模型。
6.根据权利要求5所述的塑料原材料价格预测方法，其特征在于，用训练样本误差，对人工粒子种群的每个个体进行适应度值评价，包括：
将训练样本误差作为适应度函数，并计算每个粒子的适应度值，所述适应度函数为：
其中，ok为第k个节点的期望输出，yk为第k个节点的预测输出。
7.据权利要求5所述的塑料原材料价格预测方法，其特征在于，根据预设规则更新粒子速度，其公式为：
其中，vi(t)为第i个粒子在第t次迭代中的速度；xi(t)为第i个粒子在第t次迭代中的位置；ω为惯性权重；c1、c2分别为认知学习因子和社会学习因子；r1与r2为[0，1]之间的随机数，pb(t)为第t次迭代中的个体最优值；pg(t)为第t次迭代中的全局最优值。
8.据权利要求5所述的塑料原材料价格预测方法，其特征在于，根据预设规则更新粒子位置，其公式为：
其中，xi(t+1)为第i个粒子在第t+1次迭代中的位置。
9.一种塑料原材料价格预测装置，其特征在于，包括：
时间序列数据获取模块，用于获取塑料原材料的历史价格的时间序列数据；
相关参数数据获取模块，用于获取当前影响原材料价格的相关参数数据；
预测模块，用于将该时间序列数据和相关参数数据输入BP神经网络模型，获取当前时间节点塑料原材料的预测价格。
10.一种电子设备，包括存储器、处理器以及储存在所述存储器并可被所述处理器执行的计算机程序，其特征在于：
所述处理器执行所述计算机程序时，实现如权利要求1至8任意一项所述的塑料原材料价格预测方法。
CN201910198233.XA 2019-03-15 2019-03-15 塑料原材料价格预测方法及装置、电子设备 Pending CN109961322A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910198233.XA CN109961322A (zh) 2019-03-15 2019-03-15 塑料原材料价格预测方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910198233.XA CN109961322A (zh) 2019-03-15 2019-03-15 塑料原材料价格预测方法及装置、电子设备

Publications (1)

Publication Number Publication Date
CN109961322A true CN109961322A (zh) 2019-07-02

Family

ID=67024313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910198233.XA Pending CN109961322A (zh) 2019-03-15 2019-03-15 塑料原材料价格预测方法及装置、电子设备

Country Status (1)

Country Link
CN (1) CN109961322A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008861A (zh) * 2019-11-25 2020-04-14 上海欧冶采购信息科技有限责任公司 基于智能预测的商品在线交易系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600070A (zh) * 2016-12-20 2017-04-26 郭建峰 基于ipso‑bp神经网络的短期股价预测算法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600070A (zh) * 2016-12-20 2017-04-26 郭建峰 基于ipso‑bp神经网络的短期股价预测算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
包敏，简迎辉: "基于PSO-BP模型地铁PPP项目调价研究", 《武汉理工大学学报（交通科学与工程版）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008861A (zh) * 2019-11-25 2020-04-14 上海欧冶采购信息科技有限责任公司 基于智能预测的商品在线交易系统及方法

Similar Documents

Publication Publication Date Title
CN108345958A (zh) 一种订单出餐时间预测模型构建、预测方法、模型和装置
CN106781489B (zh) 一种基于递归神经网络的路网状态预测方法
CN110490717A (zh) 基于用户会话及图卷积神经网络的商品推荐方法及系统
CN112287982A (zh) 一种数据预测方法、装置及终端设备
CN109902706A (zh) 推荐方法及装置
CN104346629B (zh) 一种模型参数训练方法、装置及系统
CN111047085B (zh) 一种基于元学习的混合动力车辆工况预测方法
US11501153B2 (en) Methods and apparatus for training a neural network
CN105900116A (zh) 分层型神经网络装置、判别器学习方法以及判别方法
CN112819253A (zh) 一种无人机避障和路径规划装置及方法
CN106156852B (zh) 一种高斯重叠核脉冲估计方法
CN108563875B (zh) 基于多目标优化的模拟电路测点和频率联合优选方法
CN109344969B (zh) 神经网络系统及其训练方法以及计算机可读介质
CN104680236A (zh) 核函数极限学习机分类器的fpga实现方法
CN107945534A (zh) 一种基于gmdh神经网络的交通车流量预测方法
CN112950263A (zh) 一种粒子群优化bp神经网络配网物资价格预测方法
CN114330135B (zh) 分类模型构建方法及装置、存储介质及电子设备
CN112884236A (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
CN116993548A (zh) 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统
CN109961322A (zh) 塑料原材料价格预测方法及装置、电子设备
Alabas et al. A comparison of the performance of artificial intelligence techniques for optimizing the number of kanbans
CN110007371A (zh) 风速预测方法及装置
CN114418234A (zh) 一种基于强化学习的动力电池制造能力在线预测方法
CN109919374A (zh) 基于apso-bp神经网络的股票价格预测方法
CN109992412A (zh) 云服务器的容量调节方法、装置、存储介质和云服务器

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190702

RJ01 Rejection of invention patent application after publication