CN111210089A - 基于kalman滤波的门控循环单元神经网络的股票价格预测方法 - Google Patents

基于kalman滤波的门控循环单元神经网络的股票价格预测方法 Download PDF

Info

Publication number
CN111210089A
CN111210089A CN202010051590.6A CN202010051590A CN111210089A CN 111210089 A CN111210089 A CN 111210089A CN 202010051590 A CN202010051590 A CN 202010051590A CN 111210089 A CN111210089 A CN 111210089A
Authority
CN
China
Prior art keywords
neural network
prediction
kalman filtering
data
model
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
CN202010051590.6A
Other languages
English (en)
Inventor
王宾
邱佳玉
吕卉
张强
魏小鹏
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.)
Dalian University
Original Assignee
Dalian University
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 Dalian University filed Critical Dalian University
Priority to CN202010051590.6A priority Critical patent/CN111210089A/zh
Publication of CN111210089A publication Critical patent/CN111210089A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，属于深度学习和股票预测领域，S1：获取股票历史数据，将数据分为训练集和测试集，并进行预处理；S2：初始化门控循环单元神经网络预测所需的参数，构建门控循环单元神经网络模型，并对其进行训练保存；S3：使用训练好的预测模型对测试集数据进行预测，并将得到的预测结果序列使用kalman滤波算法进行去噪优化；S4：使用均方根误差和决定系数对S3中去噪优化过的结果评估预测模型的性能。通过门控循环单元神经网络对股价进行预测，同时使用kalman滤波算法对预测结果序列与真实值对比优化，从而达到更加准确的预测效果。

Description

基于kalman滤波的门控循环单元神经网络的股票价格预测 方法
技术领域
本发明属于深度学习和股票预测领域，更具体的说，涉及一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，利用历史的股票价格序列，精准地预测未来股价。
背景技术
股票市场因其波动性大、市场种类繁多、数据冗余等特性，使得股票预测具有相当大的挑战性，股票价格的预测也一直是人们关心的问题之一，在过去一段时间里，传统的技术分析方法在股票分析与预测上发挥了非常重要的作用，但是随着股票数据量级增大，传统的技术方法可能无法满足股票价格走势的变化速度。另外，股票市场的波动性是一个非线性的多变量动态系统，仅仅依靠个人的直觉和判断对其进行预测具有相当的主观性，非常容易受主观想法的影响，致使预测结果不具有客观性。
金融时间序列具有非平稳、非线性、高噪声的特点，我们看到的股票价格序列也是包含噪声的，这会使得有用的序列与噪声相重叠，使得传统的预测方式不能产生理想的预测结果。
发明内容
为解决现有技术中存在的不足，本发明提供一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，通过门控循环单元神经网络对股价进行预测，同时使用kalman滤波算法对预测结果序列与真实值对比优化，从而达到更加准确的预测效果。
本发明为解决其技术问题所采用的技术方案是：一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，包括如下步骤：
S1：获取股票历史数据，将数据分为训练集和测试集，并对训练集数据和测试集数据进行预处理；
S2：初始化门控循环单元神经网络预测所需的参数，构建门控循环单元神经网络模型，使用经过预处理后的训练集数据对门控循环单元神经网络模型进行训练，得到训练好的预测模型并将其保存；
S3：使用训练好的预测模型对测试集数据进行预测，并将得到的预测结果序列使用kalman滤波算法进行去噪优化；
S4：使用均方根误差和决定系数对S3中去噪优化过的结果评估预测模型的性能。
进一步的，所述步骤S1中训练集数据用于训练门控循环单元神经网络模型，测试集数据用于检验生成的模型是否理想。
进一步的，所述股票历史数据包括开盘价、最高价、最低价、收盘价、调整收盘价以及成交量，并将所述股票历史数据作为门控循环单元神经网络模型的输入数据序列。
进一步的，所述步骤S1中对训练集数据和测试集数据进行预处理包括数据标准化以及转化成门控循环单元神经网络模型所需的输入形式。
进一步的，所述步骤S2中门控循环单元神经网络预测所需的参数包括hidden_size、batchsize、train_time、lr，其中hidden_size是隐藏层神经元的个数，batchsize是批处理的个数，train_time是训练次数，lr是学习率。
进一步的，所述步骤S2中构建的门控循环单元神经网络模型包括输入层、隐含层和全连接层；所述输入层为股票历史数据序列，且输入层网络节点个数为N个；所述隐含层是门控循环单元神经网络结构，隐含层数设为H，隐含层内部激活函数为tanh函数；所述全连接层作为输出层，输出节点为1。
进一步的，所述步骤S3具体为：将得到的预测结果序列作为kalman滤波算法中基于转移矩阵和控制输入预测的部分，通过计算kalman滤波增益，基于观测信息进行状态更新，最终调整输入的预测结果序列，以修正预测结果序列的噪声部分。
进一步的，所述步骤S3中使用kalman滤波算法进行去噪优化具体为：将测试集数据作为预测模型的输入得到门控循环单元神经网络模型的预测结果序列，kalman滤波算法包括预测和修正两个部分，将上述得到的预测结果序列替代kalman滤波中的预测部分，进而对预测结果序列进行修正，具体如下式：
Figure BDA0002371367010000031
Figure BDA0002371367010000032
Figure BDA0002371367010000033
其中，Kt为t时刻的kalman增益，Pt为t时刻被观测信息的状态的方差矩阵，Ht为状态观测矩阵，Qt为观测噪声的协方差矩阵，xt为t时刻的状态矩阵，zt为t时刻的状态观测量，pt为计算得出的更新状态的方差矩阵；T表示时间步长。
进一步的，所述步骤S4具体为：对于S3中得到的去噪优化过的结果使用均方根误差和决定系数，与未使用kalman滤波算法的门控循环神经网络进行对比，评估预测模型的性能，均方根误差RMSE和决定系数R2的具体计算如下：
Figure BDA0002371367010000041
Figure BDA0002371367010000042
其中
Figure BDA0002371367010000043
为预测模型的预测值，yi为真实值，N为真实值和预测值对比次数，
Figure BDA0002371367010000044
为yi的均值。
进一步的，所述门控循环单元神经网络模型所需的输入形式为：
Figure BDA0002371367010000045
其中，T是时间步长，D是输入数据的维度。
本发明的有益效果是：1、用门控循环神经网络对股票数据进行训练预测，不仅可以更好的预测股票价格的非线性变化，同时门控循环单元神经网络相较于长短期记忆神经网络具有更加简单的结构，对于金融序列的预测效果也更好；
2、kalman滤波可以一定程度降低股票价格序列中的噪声，使得预测结果更加接近股票价格的真实情况。
附图说明
图1是本发明流程示意图；
图2是本发明门控循环单元原理图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
在互联网技术不断发展的进程中，出现了不少股票价格预测的模型，例如，采用支持向量机模型来进行特征选择以及价格预测、使用具有误差反向传播的前馈多层感知机的人工神经网络来预测股价等。在深度学习中，递归神经网络(RNN)因其能够避免长期依赖问题，故而适用于处理和预测时间序列，其中长短期记忆神经网络(LSTM)是RNN最常见的形式之一。目前LSTM已广泛应用于金融预测，而本发明优选采用的门控循环单元神经网络(GRU)是LSTM的一个变体，它具有与LSTM相同的特性，但是结构更加简单，使用更加方便，也更加适用于股票价格的预测。
基于kalman滤波的门控循环单元神经网络的股票价格预测方法，首先用标准差标准化方法对数据集中的股票历史数据标准化；其次，用门控循环单元神经网络对多维输入数据进行训练得到相关参数的模型；接着，将测试集在训练好的模型上进行预测得到预测结果序列，并对预测结果序列使用kalman滤波优化；最后，与其他的模型进行性能指标比较，对模型进行性能评估；该方法可以预测出更加精准的股票价格。
为实现上述目的，本申请具体技术方案为：一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，包括如下步骤：
S1：获取股票历史数据，将数据分为训练集和测试集，并对训练集数据和测试集数据进行预处理；
具体为：训练集数据用于训练门控循环单元神经网络模型，测试集数据用于检验生成的模型是否理想。所述股票历史数据包括开盘价、最高价、最低价、收盘价、调整收盘价以及成交量，并将所述股票历史数据作为门控循环单元神经网络模型的输入数据序列。对训练集数据和测试集数据进行预处理包括数据标准化以及转化成门控循环单元神经网络模型所需的输入形式。所述门控循环单元神经网络模型所需的输入形式为：
Figure BDA0002371367010000061
其中，T是时间步长，D是输入数据的维度。
S2：初始化门控循环单元神经网络预测所需的参数，构建门控循环单元神经网络模型，使用经过预处理后的训练集数据对门控循环单元神经网络模型进行训练，得到训练好的预测模型并将其保存；
门控循环单元神经网络预测所需的参数包括hidden_size、batchsize、train_time、lr，其中hidden_size是隐藏层神经元的个数，batchsize是批处理的个数，train_time是训练次数，lr是学习率。构建的门控循环单元神经网络模型包括输入层、隐含层和全连接层；所述输入层为股票历史数据序列，且输入层网络节点个数为N个；所述隐含层是门控循环单元神经网络结构，隐含层数设为H，隐含层内部激活函数为tanh函数；所述全连接层作为输出层，输出节点为1。
S3：使用训练好的预测模型对测试集数据进行预测，并将得到的预测结果序列使用kalman滤波算法进行去噪优化；
具体为：将得到的预测结果序列作为kalman滤波算法中基于转移矩阵和控制输入预测的部分，通过计算kalman滤波增益，基于观测信息进行状态更新，最终调整输入的预测结果序列，以修正预测结果序列的噪声部分。使用kalman滤波算法进行去噪优化具体为：将测试集数据作为预测模型的输入得到门控循环单元神经网络模型的预测结果序列，kalman滤波算法包括预测和修正两个部分，将上述得到的预测结果序列替代kalman滤波中的预测部分，进而对预测结果序列进行修正，具体如下式：
Figure BDA0002371367010000071
Figure BDA0002371367010000072
Figure BDA0002371367010000073
其中，Kt为t时刻的kalman增益，Pt为t时刻被观测信息的状态的方差矩阵，Ht为状态观测矩阵，Qt为观测噪声的协方差矩阵，xt为t时刻的状态矩阵，zt为t时刻的状态观测量，pt为计算得出的更新状态的方差矩阵；T表示时间步长。
S4：使用均方根误差和决定系数对S3中去噪优化过的结果评估预测模型的性能。
具体为：对于S3中得到的去噪优化过的结果使用均方根误差和决定系数，与未使用kalman滤波算法的门控循环神经网络进行对比，评估预测模型的性能，均方根误差RMSE和决定系数R2的具体计算如下：
Figure BDA0002371367010000081
Figure BDA0002371367010000082
其中
Figure BDA0002371367010000083
为预测模型的预测值，yi为真实值，N为真实值和预测值对比次数，
Figure BDA0002371367010000084
为yi的均值。
实施例1
本实施例采用标准普尔500指数(S&P500)、纳斯达克综合指数(nasdaq)以及恒生指数(HSI)三种股票指数作为实例数据集。其中S&P500和nasdaq的数据为2000年1月3日至2019年7月1日。HSI的数据为2002年1月2日至2019年7月1日。每个数据集中有6个基础变量，包括开盘价、收盘价、最高价、最低价、调整收盘价、成交量。
步骤1：获取股票历史数据。将数据集分为训练集和测试集，并将训练集测试集中的历史数据进行标准化预处理。每次以步长为steptime的数据长度喂给门控循环单元神经网络进行训练，输入数据具体形式如下：
Figure BDA0002371367010000085
其中，T是时间步长，D是输入数据的维度；
步骤2：构建GRU神经网络，并使用训练集对其训练。参照图2，构建具有9个隐藏神经元的GRU神经网络，并初始化相关模型参数。输入训练数据进行迭代，得到预测模型后，将最优的模型节点存储；
步骤3：使用训练好的预测模型。将测试集数据输入到训练好的预测模型中，得到预测结果序列y＝{y1,y2,…,yt}；
步骤4：使用kalman滤波对预测结果进行优化。将预测结果序列y＝{y1,y2,…,yt}作为kalman滤波算法中的预测值部分，使用算法的修正噪声部分对预测结果序列进行去噪，得到去噪后的结果序列y’＝{y1,y2,…,yt}；
步骤5：对优化过的结果使用均方根误差和决定系数评估预测模型。使用均方根误差公式和决定系数公式分别计算kalman滤波算法优化过的结果和未使用kalman滤波算法优化的结果，将二者进行对比发现，前者预测结果表现更好。如下表1是在数据集S&P500上kalman滤波优化前后的均方根误差和决定系数的对比结果，明显可以看出经过kalman滤波优化过的预测结果误差更小，也就是RMSE值更小；模型的拟合程度更高，效果更理想，也就是R2值更大。
本发明在Intel(R)CPU3.7GHz、64.0GB内存、Ubuntu16.04运行环境下，借助Python对该算法进行仿真实验，实验结果表明本实例的方法结果优于其他算法的实验结果。
表1 S&P500数据集上不同方法的RMSE以及R2
Figure BDA0002371367010000091
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，包括如下步骤：
S1：获取股票历史数据，将数据分为训练集和测试集，并对训练集数据和测试集数据进行预处理；
S2：初始化门控循环单元神经网络预测所需的参数，构建门控循环单元神经网络模型，使用经过预处理后的训练集数据对门控循环单元神经网络模型进行训练，得到训练好的预测模型并将其保存；
S3：使用训练好的预测模型对测试集数据进行预测，并将得到的预测结果序列使用kalman滤波算法进行去噪优化；
S4：使用均方根误差和决定系数对S3中去噪优化过的结果评估预测模型的性能。
2.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S1中训练集数据用于训练门控循环单元神经网络模型，测试集数据用于检验生成的模型是否理想。
3.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述股票历史数据包括开盘价、最高价、最低价、收盘价、调整收盘价以及成交量，并将所述股票历史数据作为门控循环单元神经网络模型的输入数据序列。
4.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S1中对训练集数据和测试集数据进行预处理包括数据标准化以及转化成门控循环单元神经网络模型所需的输入形式。
5.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S2中门控循环单元神经网络预测所需的参数包括hidden_size、batchsize、train_time、lr，其中hidden_size是隐藏层神经元的个数，batchsize是批处理的个数，train_time是训练次数，lr是学习率。
6.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S2中构建的门控循环单元神经网络模型包括输入层、隐含层和全连接层；所述输入层为股票历史数据序列，且输入层网络节点个数为N个；所述隐含层是门控循环单元神经网络结构，隐含层数设为H，隐含层内部激活函数为tanh函数；所述全连接层作为输出层，输出节点为1。
7.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S3具体为：将得到的预测结果序列作为kalman滤波算法中基于转移矩阵和控制输入预测的部分，通过计算kalman滤波增益，基于观测信息进行状态更新，最终调整输入的预测结果序列，以修正预测结果序列的噪声部分。
8.根据权利要求7所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S3中使用kalman滤波算法进行去噪优化具体为：将测试集数据作为预测模型的输入得到门控循环单元神经网络模型的预测结果序列，kalman滤波算法包括预测和修正两个部分，将上述得到的预测结果序列替代kalman滤波中的预测部分，进而对预测结果序列进行修正，具体如下式：
Figure FDA0002371365000000031
Figure FDA0002371365000000032
Figure FDA0002371365000000033
其中，Kt为t时刻的kalman增益，Pt为t时刻被观测信息的状态的方差矩阵，Ht为状态观测矩阵，Qt为观测噪声的协方差矩阵，xt为t时刻的状态矩阵，zt为t时刻的状态观测量，pt为计算得出的更新状态的方差矩阵；T表示时间步长。
9.根据权利要求1所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述步骤S4具体为：对于S3中得到的去噪优化过的结果使用均方根误差和决定系数，与未使用kalman滤波算法的门控循环神经网络进行对比，评估预测模型的性能，均方根误差RMSE和决定系数R2的具体计算如下：
Figure FDA0002371365000000034
Figure FDA0002371365000000035
其中
Figure FDA0002371365000000036
为预测模型的预测值，yi为真实值，N为真实值和预测值对比次数，
Figure FDA0002371365000000037
为yi的均值。
10.根据权利要求4所述的基于kalman滤波的门控循环单元神经网络的股票价格预测方法，其特征在于，所述门控循环单元神经网络模型所需的输入形式为：
Figure FDA0002371365000000038
其中，T是时间步长，D是输入数据的维度。
CN202010051590.6A 2020-01-17 2020-01-17 基于kalman滤波的门控循环单元神经网络的股票价格预测方法 Pending CN111210089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010051590.6A CN111210089A (zh) 2020-01-17 2020-01-17 基于kalman滤波的门控循环单元神经网络的股票价格预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010051590.6A CN111210089A (zh) 2020-01-17 2020-01-17 基于kalman滤波的门控循环单元神经网络的股票价格预测方法

Publications (1)

Publication Number Publication Date
CN111210089A true CN111210089A (zh) 2020-05-29

Family

ID=70787386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010051590.6A Pending CN111210089A (zh) 2020-01-17 2020-01-17 基于kalman滤波的门控循环单元神经网络的股票价格预测方法

Country Status (1)

Country Link
CN (1) CN111210089A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860645A (zh) * 2020-07-20 2020-10-30 中科三清科技有限公司 挥发性有机物观测数据中缺省值的修复方法及装置
CN112289034A (zh) * 2020-12-29 2021-01-29 四川高路交通信息工程有限公司 基于多模态时空数据的深度神经网络鲁棒交通预测方法
CN112465203A (zh) * 2020-11-19 2021-03-09 中国石油大学(华东) 基于门控循环单元神经网络的海平面高度智能预测预报系统、计算机设备、存储介质
CN112542049A (zh) * 2020-12-29 2021-03-23 四川高路交通信息工程有限公司 智慧交通综合管控平台
CN112578419A (zh) * 2020-11-24 2021-03-30 南京邮电大学 一种基于gru网络和卡尔曼滤波的gps数据重构方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860645A (zh) * 2020-07-20 2020-10-30 中科三清科技有限公司 挥发性有机物观测数据中缺省值的修复方法及装置
CN111860645B (zh) * 2020-07-20 2021-04-13 中科三清科技有限公司 挥发性有机物观测数据中缺省值的修复方法及装置
CN112465203A (zh) * 2020-11-19 2021-03-09 中国石油大学(华东) 基于门控循环单元神经网络的海平面高度智能预测预报系统、计算机设备、存储介质
CN112578419A (zh) * 2020-11-24 2021-03-30 南京邮电大学 一种基于gru网络和卡尔曼滤波的gps数据重构方法
CN112578419B (zh) * 2020-11-24 2023-12-12 南京邮电大学 一种基于gru网络和卡尔曼滤波的gps数据重构方法
CN112289034A (zh) * 2020-12-29 2021-01-29 四川高路交通信息工程有限公司 基于多模态时空数据的深度神经网络鲁棒交通预测方法
CN112542049A (zh) * 2020-12-29 2021-03-23 四川高路交通信息工程有限公司 智慧交通综合管控平台

Similar Documents

Publication Publication Date Title
CN111210089A (zh) 基于kalman滤波的门控循环单元神经网络的股票价格预测方法
CN110414788B (zh) 一种基于相似日和改进lstm的电能质量预测方法
Widiputra et al. Multivariate CNN‐LSTM Model for Multiple Parallel Financial Time‐Series Prediction
Pan et al. A comparison of neural network backpropagation algorithms for electricity load forecasting
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN111738512A (zh) 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法
Celik et al. Evaluating and forecasting banking crises through neural network models: An application for Turkish banking sector
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN110909926A (zh) 基于tcn-lstm的太阳能光伏发电预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN111626785A (zh) 一种基于结合注意力的cnn-lstm网络基金价格预测方法
CN111222992A (zh) 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法
CN110598929B (zh) 一种风电功率非参数概率区间超短期预测方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN113159389A (zh) 一种基于深度森林生成对抗网络的金融时间序列预测方法
CN113393057A (zh) 一种基于深度融合机器学习模型的小麦产量集成预测方法
CN112163689A (zh) 基于深度Attention-LSTM的短期负荷分位点概率预测方法
CN113129148A (zh) 一种融合生成对抗网络与二维注意力机制的股票预测方法
CN112529685A (zh) 一种基于bas-fnn的贷款用户信用评级方法及系统
Yang et al. An ensemble prediction system based on artificial neural networks and deep learning methods for deterministic and probabilistic carbon price forecasting
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN111222689A (zh) 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置
Jiang et al. A short-term wind power prediction approach based on ensemble empirical mode decomposition and improved long short-term memory
CN115860212A (zh) 一种配电网的风险预测方法与终端
CN117370766A (zh) 一种基于深度学习的卫星任务规划方案评估方法

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: 20200529

RJ01 Rejection of invention patent application after publication