CN111798062B - 一种基于区块链和大数据的金融数据预测系统 - Google Patents
一种基于区块链和大数据的金融数据预测系统 Download PDFInfo
- Publication number
- CN111798062B CN111798062B CN202010653559.XA CN202010653559A CN111798062B CN 111798062 B CN111798062 B CN 111798062B CN 202010653559 A CN202010653559 A CN 202010653559A CN 111798062 B CN111798062 B CN 111798062B
- Authority
- CN
- China
- Prior art keywords
- financial
- data
- historical optimal
- module
- optimal solution
- 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.)
- Active
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
- G06N3/004—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于区块链和大数据的金融数据预测系统,包括第一数据采集模块、第二数据采集模块、金融数据预处理模块、区块链存储模块、金融数据预测模块和可视化模块,所述第一数据采集模块用于采集历史金融时序数据,所述第二数据采集模块用于采集实时金融时序数据,所述金融数据预处理模块用于对金融数据进行处理,所述区块链存储模块用于存储处理后的历史金融时序数据,所述金融数据预测模块用于对当前金融数据的未来走势进行预测,所述可视化模块用于对金融数据预测模块的预测结果进行显示。本发明的有益效果:提供一种基于区块链和大数据的金融数据预测系统,采用BP神经网络对金融数据的未来走势进行预测,有助于及时了解金融市场的发展和变化。
Description
技术领域
本发明创造涉及金融数据处理领域,具体涉及一种基于区块链和大数据的金融数据预测系统。
背景技术
近年来,随着经济的快速发展,金融市场的变化趋势也越来越复杂,了解金融活动的模式并预测其发展和变化是学术界和业界研究的重点,对金融数据的未来走势进行预测,有助于了解宏观层面金融市场的发展和变化,为投资者和公司在微观层面制定交易决策和计划提供依据。
发明内容
针对上述问题,本发明旨在提供一种基于区块链和大数据的金融数据预测系统。
本发明创造的目的通过以下技术方案实现:
一种基于区块链和大数据的金融数据预测系统,包括第一数据采集模块、第二数据采集模块、金融数据预处理模块、区块链存储模块、金融数据预测模块和可视化模块,所述第一数据采集模块用于收集历史金融时序数据,并将收集的历史金融时序数据输入至金融数据预处理模块进行处理,处理后的历史金融时序数据传输至区块链存储模块进行存储,所述第二数据采集模块用于采集实时金融时序数据,并将采集的实时金融时序数据输入至金融数据预处理模块进行处理,处理后的实时金融时序数据输入至金融数据预测模块,所述金融数据预测模块根据输入的实时金融时序数据对当前金融数据的未来走势进行预测,所述可视化模块用于对金融数据预测模块的预测结果进行显示。
优选地,所述金融数据预测模块采用BP神经网络对金融时序数据的未来走势进行预测,所述金融数据预测模块调用区块链存储模块中存储的历史金融时序数据对所述BP神经网络进行金融数据未来走势预测的训练,将处理后的实时金融时序数据作为训练好的BP神经网络的输值,所述训练好的BP神经网络的输出值即为预测所得的金融数据的未来走势。
优选地,在BP神经网络的训练过程中,采用粒子群算法对BP神经网络的初始权值和阈值进行优化。
优选地,设置粒子群中的粒子采用下式进行更新:
Vi(t+1)=ωi(t)Vi(t)+c1rand()(Pi(t)-Xi(t))+c2rand()(G(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
式中,Xi(t+1)和Vi(t+1)分别表示粒子i在第(t+1)次迭代时的位置和步长,Xi(t)和Vi(t)分别表示粒子i在第t次迭代时的位置和步长,c1和c2分别表示学习因子,rand()表示随机生成的(0,1)之间的随机数,Pi(t)表示粒子i在第t次迭代时的历史最优解,ωi(t)表示粒子i在第t次迭代时的惯性权重因子,G(t)表示粒子群在第t次迭代时的全局参考解,G(t)采用下列方式确定:
设P(t)表示粒子群中粒子在第t次迭代时的历史最优解集合,且P(t)={Pi(t),i=1,2,…,N,其中,N表示粒子群中的粒子数,对集合P(t)中的历史最优解进行筛选,当集合P(t)中存在相同的历史最优解时,仅保留这些相同历史最优解中的一个,将这些相同历史最优解中的其他历史最优解删除,将筛选后的集合P(t)表示为P′(t),设P′(t)={P(j,t),j=1,2,…,N′(t),其中,Pj,t表示集合P′(t)中的第j个历史最优解,N′(t)表示集合P′(t)中的历史最优解数,定义集合P′(t)中历史最优解对应的邻域检测距离为d(t),则d(t)的表达式为:
式中,d0表示给定的初始邻域检测距离,Tmax表示给定的最大迭代次数;
对集合P′(t)中的历史最优解进行检测,设O(j,t)表示历史最优解P(j,t)对应的邻域检测范围,且O(j,t)为以历史最优解P(j,t)为中心,以d(t)为半径的圆形区域,定义历史最优解P(j,t)对应的全局参考值为则的表达式为:
式中,f3(h(P(j,t)))表示历史最优解P(j,t)对应的第三取值函数,h(P(j,t))表示历史最优解P(j,t)对应的适应度函数值,表示集合P′(t)中历史最优解对应的适应度函数值均值,当时,则f3(h(P(j,t)))=1,当时,则f3(h(P(j,t)))=+∞,h(min,t)和h(max,t)分别表示粒子群中粒子在第t次迭代时对应的最小和最大适应度函数值,δ(O(j,t))表示邻域检测范围O(j,t)中存在的集合P′(t)中的历史最优解个数,α(t)和β(t)为权重系数,且
在集合P′(t)中选取具有最小全局参考值的历史最优解作为全局参考解G(t)。
优选地,粒子i在第t次迭代时的惯性权重因子ωi(t)的表达式为:
式中,ω(start)表示初始惯性权重因子值,且ω(start)=0.9,ω(end)表示粒子群进化到最大迭代次数Tmax时的惯性权重因子值,且ω(end)=0.4,h(Xi(t))表示粒子i在第t次迭代时的位置Xi(t)对应的适应度函数值,h(G(t))表示粒子群在第t次迭代时的全局参考解G(t)对应的适应度函数值。
本发明创造的有益效果:提供一种基于区块链和大数据的金融数据预测系统,采用BP神经网络对金融数据的未来走势进行预测,有助于及时了解金融市场的发展和变化;采用粒子群算法对BP神经网络的初始权值和阈值进行优化,能够有效的提高BP神经网络的预测精度,在粒子群的传统更新方式中,全局最优解直接影响下一代粒子位置的更新,即全局最优解的选取对粒子群的寻优结果有着重要的影响,相较于传统的粒子群中粒子在更新过程中直接向全局最优解学习的方式,本优选实施例引入了全局参考解代替传统的全局最优解,所述全局参考解从粒子群中粒子在当前迭代时的历史最优解中选取,定义历史最优解对应的全局参考值,在历史最优解对应的邻域检测范围内计算所述历史最优解的全局参考值,所述历史最优解对应的邻域检测距离由粒子群的迭代次数和粒子群中不同历史最优解的个数共同决定,随着迭代次数的增加,邻域检测距离减小,从而能够有效的平衡粒子群算法的局部搜索和全局搜索,此外,当粒子群中不同历史最优解的个数较少时,则增加所述历史最优解的邻域检测距离,从而使得对粒子群中的历史最优解的检测能够更加全面的覆盖解空间,增加粒子群的全局搜索能力;在计算所述历史最优解的全局参考值时,综合考虑了所述历史最优解的适应度函数值水平和所述历史最优解的邻域检测范围内的历史最优解个数,选取集合中具有最小全局参考值的历史最优解作为全局参考解,即选取粒子群中适应度函数值较小并且其邻域检测范围内包含较少其他历史最优解的历史最优解为全局参考解,选取适应度函数值较小的历史最优解为全局参考解,即保证了粒子群中的粒子向着目标解前进,选取其邻域检测范围内包含较少其他历史最优解的历史最优解为全局参考解,即增加了粒子群解的多样性,避免了粒子群算法陷入局部最优的缺陷,当所述历史最优解的邻域检测范围内包含了较多的其他历史最优解时,如果将该历史最优解作为局部参考解,粒子群容易陷入局部最优,此外,考虑到在粒子群算法的迭代后期,较多的粒子的历史最优解围绕在全局最优解附近的情况,本优选实施例在历史最优解的全局参考值中引入了权重系数,所述权重系数使得在粒子群的迭代前期,选取全局参考解更加注意所述历史最优解的邻域检测范围内包含其他历史最优解的个数,即更加注意增加粒子群解的多样性,避免粒子群陷入局部最优,所述权重系数在粒子群的迭代后期,选取全局参考解更加注意所述历史最优解的适应度函数值水平,即加速粒子群算法向着目标解的方向前进,提高了粒子群算法的收敛速度;设置粒子群中粒子的惯性权重因子随着粒子和全局参考解之间的适应度函数值的差值自适应的进行调整,当粒子的适应度函数值和全局参考解的适应度函数值之间的差值较大时,此时粒子的惯性权重因子的值较大,即粒子采用较大的步长向着全局参考解前进,使得粒子更加注重全局寻优,当粒子的适应度函数值和全局参考解的适应度函数值之间的差值较小时,此时粒子的惯性权重因子的值较小,即粒子采用较小的步长向着全局参考解前进,使得粒子更加注重局部寻优,即本优选实施例采用的惯性权重因子,能够有效的平衡粒子的全局寻优和局部寻优。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种基于区块链和大数据的金融数据预测系统,包括第一数据采集模块、第二数据采集模块、金融数据预处理模块、区块链存储模块、金融数据预测模块和可视化模块,所述第一数据采集模块用于收集历史金融时序数据,并将收集的历史金融时序数据输入至金融数据预处理模块进行处理,处理后的历史金融时序数据传输至区块链存储模块进行存储,所述第二数据采集模块用于采集实时金融时序数据,并将采集的实时金融时序数据输入至金融数据预处理模块进行处理,处理后的实时金融时序数据输入至金融数据预测模块,所述金融数据预测模块根据输入的实时金融时序数据对当前金融数据的未来走势进行预测,所述可视化模块用于对金融数据预测模块的预测结果进行显示。
所述金融数据预处理模块用于对输入的金融时序数据进行归一化处理,并去除归一化处理后的金融时序数据中的噪声数据;
本优选实施例提供一种基于区块链和大数据的金融数据预测系统,采用BP神经网络对金融数据的未来走势进行预测,有助于及时了解金融市场的发展和变化。
优选地,所述金融数据预测模块采用BP神经网络对金融时序数据的未来走势进行预测,所述金融数据预测模块调用区块链存储模块中存储的历史金融时序数据对所述BP神经网络进行金融数据未来走势预测的训练,将处理后的实时金融时序数据作为训练好的BP神经网络的输入值,所述训练好的BP神经网络的输出值即为预测所得的金融数据的未来走势。
优选地,在BP神经网络的训练过程中,采用粒子群算法对BP神经网络的初始权值和阈值进行优化,并将粒子群算法的适应度函数定义为:其中,M为训练的样本个数,Yp为第p个样本的输出值,为第p个样本的目标值,粒子群中粒子的适应度函数值越小,表明粒子的寻优结果越好。
优选地,设置粒子群中的粒子采用下式进行更新:
Vi(t+1)=ωi(t)Vi(t)+c1rand()(Pi(t)-Xi(t))+c2rand()(G(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
式中,Xi(t+1)和Vi(t+1)分别表示粒子i在第(t+1)次迭代时的位置和步长,Xi(t)和Vi(t)分别表示粒子i在第t次迭代时的位置和步长,c1和c2分别表示学习因子,rand()表示随机生成的(0,1)之间的随机数,Pi(t)表示粒子i在第t次迭代时的历史最优解,ωi(t)表示粒子i在第t次迭代时的惯性权重因子,G(t)表示粒子群在第t次迭代时的全局参考解,G(t)采用下列方式确定:
设P(t)表示粒子群中粒子在第t次迭代时的历史最优解集合,且P(t)={Pi(t),i=1,2,…,N,其中,N表示粒子群中的粒子数,对集合P(t)中的历史最优解进行筛选,当集合P(t)中存在相同的历史最优解时,仅保留这些相同历史最优解中的一个,将这些相同历史最优解中的其他历史最优解删除,将筛选后的集合P(t)表示为P′(t),设P′(t)={P(j,t),j=1,2,…,N′(t),其中,Pj,t表示集合P′(t)中的第j个历史最优解,N′(t)表示集合P′(t)中的历史最优解数,定义集合P′(t)中历史最优解对应的邻域检测距离为d(t),则d(t)的表达式为:
式中,d0表示给定的初始邻域检测距离,Tmax表示给定的最大迭代次数;
对集合P′(t)中的历史最优解进行检测,设O(j,t)表示历史最优解P(j,t)对应的邻域检测范围,且O(j,t)为以历史最优解P(j,t)为中心,以d(t)为半径的圆形区域,定义历史最优解P(j,t)对应的全局参考值为则的表达式为:
式中,f3(h(P(j,t)))表示历史最优解P(j,t)对应的第三取值函数,h(P(j,t))表示历史最优解P(j,t)对应的适应度函数值,表示集合P′(t)中历史最优解对应的适应度函数值均值,当时,则f3(h(P(j,t)))=1,当时,则f3(h(P(j,t)))=+∞,h(min,t)和h(max,t)分别表示粒子群中粒子在第t次迭代时对应的最小和最大适应度函数值,δ(O(j,t))表示邻域检测范围O(j,t)中存在的集合P′(t)中的历史最优解个数,α(t)和β(t)为权重系数,且
在集合P′(t)中选取具有最小全局参考值的历史最优解作为全局参考解G(t)。
本优选实施例用于确定粒子群中粒子更新过程中的全局参考解,在粒子群的传统更新方式中,全局最优解直接影响下一代粒子位置的更新,即全局最优解的选取对粒子群的寻优结果有着重要的影响,相较于传统的粒子群中粒子在更新过程中直接向全局最优解学习的方式,本优选实施例引入了全局参考解代替传统的全局最优解,所述全局参考解从粒子群中粒子在当前迭代时的历史最优解中选取,定义历史最优解对应的全局参考值,在历史最优解对应的邻域检测范围内计算所述历史最优解的全局参考值,所述历史最优解对应的邻域检测距离由粒子群的迭代次数和粒子群中不同历史最优解的个数共同决定,随着迭代次数的增加,邻域检测距离减小,从而能够有效的平衡粒子群算法的局部搜索和全局搜索,此外,当粒子群中不同历史最优解的个数较少时,则增加所述历史最优解的邻域检测距离,从而使得对粒子群中的历史最优解的检测能够更加全面的覆盖解空间,增加粒子群的全局搜索能力;在计算所述历史最优解的全局参考值时,综合考虑了所述历史最优解的适应度函数值水平和所述历史最优解的邻域检测范围内的历史最优解个数,选取集合中具有最小全局参考值的历史最优解作为全局参考解,即选取粒子群中适应度函数值较小并且其邻域检测范围内包含较少其他历史最优解的历史最优解为全局参考解,选取适应度函数值较小的历史最优解为全局参考解,即保证了粒子群中的粒子向着目标解前进,选取其邻域检测范围内包含较少其他历史最优解的历史最优解为全局参考解,即增加了粒子群解的多样性,避免了粒子群算法陷入局部最优的缺陷,当所述历史最优解的邻域检测范围内包含了较多的其他历史最优解时,如果将该历史最优解作为局部参考解,粒子群容易陷入局部最优,此外,考虑到在粒子群算法的迭代后期,较多的粒子的历史最优解围绕在全局最优解附近的情况,本优选实施例在历史最优解的全局参考值中引入了权重系数,所述权重系数使得在粒子群的迭代前期,选取全局参考解更加注意所述历史最优解的邻域检测范围内包含其他历史最优解的个数,即更加注意增加粒子群解的多样性,避免粒子群陷入局部最优,所述权重系数在粒子群的迭代后期,选取全局参考解更加注意所述历史最优解的适应度函数值水平,即加速粒子群算法向着目标解的方向前进,提高了粒子群算法的收敛速度。
优选地,粒子i在第t次迭代时的惯性权重因子ωi(t)的表达式为:
式中,ω(start)表示初始惯性权重因子值,且ω(start)=0.9,ω(end)表示粒子群进化到最大迭代次数Tmax时的惯性权重因子值,且ω(end)=0.4,h(Xi(t))表示粒子i在第t次迭代时的位置Xi(t)对应的适应度函数值,h(G(t))表示粒子群在第t次迭代时的全局参考解G(t)对应的适应度函数值。
本优选实施例用于确定粒子群中粒子的惯性权重因子,所述惯性权重因子随着粒子和全局参考解之间的适应度函数值的差值自适应的进行调整,当粒子的适应度函数值和全局参考解的适应度函数值之间的差值较大时,此时粒子的惯性权重因子的值较大,即粒子采用较大的步长向着全局参考解前进,使得粒子更加注重全局寻优,当粒子的适应度函数值和全局参考解的适应度函数值之间的差值较小时,此时粒子的惯性权重因子的值较小,即粒子采用较小的步长向着全局参考解前进,使得粒子更加注重局部寻优,即本优选实施例采用的惯性权重因子,能够有效的平衡粒子的全局寻优和局部寻优。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (2)
1.一种基于区块链和大数据的金融数据预测系统,其特征是,包括第一数据采集模块、第二数据采集模块、金融数据预处理模块、区块链存储模块、金融数据预测模块和可视化模块,所述第一数据采集模块用于采集历史金融时序数据,并将采集的历史金融时序数据输入至金融数据预处理模块进行处理,处理后的历史金融时序数据传输至区块链存储模块进行存储,所述第二数据采集模块用于采集实时金融时序数据,并将采集的实时金融时序数据输入至金融数据预处理模块进行处理,处理后的实时金融时序数据输入至金融数据预测模块,所述金融数据预测模块根据输入的实时金融时序数据对当前金融数据的未来走势进行预测,所述可视化模块用于对金融数据预测模块的预测结果进行显示;
所述金融数据预处理模块用于对输入的金融时序数据进行归一化处理,并去除归一化处理后的金融时序数据中的噪声数据;
所述金融数据预测模块采用BP神经网络对金融时序数据的未来走势进行预测,所述金融数据预测模块调用区块链存储模块中存储的历史金融时序数据对所述BP神经网络进行金融数据未来走势预测的训练,将处理后的实时金融时序数据作为训练好的BP神经网络的输入值,所述训练好的BP神经网络的输出值即为预测所得的金融数据的未来走势;
在BP神经网络的训练过程中,采用粒子群算法对BP神经网络的初始权值和阈值进行优化;
设置粒子群中的粒子采用下式进行更新:
Vi(t+1)=ωi(t)Vi(t)+c1rand()(Pi(t)-Xi(t))+c2rand()(G(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
式中,Xi(t+1)和Vi(t+1)分别表示粒子i在第(t+1)次迭代时的位置和步长,Xi(t)和Vi(t)分别表示粒子i在第t次迭代时的位置和步长,c1和c2分别表示学习因子,rand()表示随机生成的(0,1)之间的随机数,Pi(t)表示粒子i在第t次迭代时的历史最优解,ωi(t)表示粒子i在第t次迭代时的惯性权重因子,G(t)表示粒子群在第t次迭代时的全局参考解,G(t)采用下列方式确定:
设P(t)表示粒子群中粒子在第t次迭代时的历史最优解集合,且P(t)={Pi(t),i=1,2,...,N},其中,N表示粒子群中的粒子数,对集合P(t)中的历史最优解进行筛选,当集合P(t)中存在相同的历史最优解时,仅保留这些相同历史最优解中的一个,将这些相同历史最优解中的其他历史最优解删除,将筛选后的集合P(t)表示为P′(t),设P′(t)={P(j,t),j=1,2,...,N′(t)},其中,P(j,t)表示集合P′(t)中的第j个历史最优解,N′(t)表示集合P′(t)中的历史最优解数,定义集合P′(t)中历史最优解对应的邻域检测距离为d(t),则d(t)的表达式为:
式中,d0表示给定的初始邻域检测距离,Tmax表示给定的最大迭代次数;
对集合P′(t)中的历史最优解进行检测,设O(j,t)表示历史最优解P(j,t)对应的邻域检测范围,且O(j,t)为以历史最优解P(j,t)为中心,以d(t)为半径的圆形区域,定义历史最优解P(j,t)对应的全局参考值为则的表达式为:
式中,f3(h(P(j,t)))表示历史最优解P(j,t)对应的第三取值函数,h(P(j,t))表示历史最优解P(j,t)对应的适应度函数值,表示集合P′(t)中历史最优解对应的适应度函数值均值,当时,则f3(h(P(j,t)))=1,当时,则f3(h(P(j,t)))=+∞,h(min,t)和h(max,t)分别表示粒子群中粒子在第t次迭代时对应的最小和最大适应度函数值,δ(O(j,t))表示邻域检测范围O(j,t)中存在的集合P′(t)中的历史最优解个数,α(t)和β(t)为权重系数,且
在集合P′(t)中选取具有最小全局参考值的历史最优解作为全局参考解G(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653559.XA CN111798062B (zh) | 2020-07-08 | 2020-07-08 | 一种基于区块链和大数据的金融数据预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653559.XA CN111798062B (zh) | 2020-07-08 | 2020-07-08 | 一种基于区块链和大数据的金融数据预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798062A CN111798062A (zh) | 2020-10-20 |
CN111798062B true CN111798062B (zh) | 2021-04-02 |
Family
ID=72811336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010653559.XA Active CN111798062B (zh) | 2020-07-08 | 2020-07-08 | 一种基于区块链和大数据的金融数据预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798062B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065710A (zh) * | 2021-04-09 | 2021-07-02 | 深圳市小金象科技有限公司 | 一种基于人工智能和区块链的金融预测系统 |
CN112927085B (zh) * | 2021-04-14 | 2021-10-26 | 广州经传多赢投资咨询有限公司 | 基于区块链、大数据和算法的股票风险预警系统 |
CN117474686B (zh) * | 2023-12-11 | 2024-03-29 | 万链指数(青岛)信息科技有限公司 | 一种基于区块链和大数据的金融数据预测系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001015079A1 (en) * | 1999-08-26 | 2001-03-01 | Westport Financial Llc | An artificial neural network based universal time series |
CN101976221A (zh) * | 2010-10-14 | 2011-02-16 | 北京航空航天大学 | 一种基于粒子群禁忌组合的并行测试任务调度方法及平台 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN103955906A (zh) * | 2014-05-21 | 2014-07-30 | 武汉科技大学 | 基于蝙蝠算法的Criminisi图像修复方法 |
CN105022825A (zh) * | 2015-07-22 | 2015-11-04 | 中国人民解放军国防科学技术大学 | 结合财经新闻挖掘和金融历史数据的金融品种价格预测方法 |
CN105825347A (zh) * | 2016-03-30 | 2016-08-03 | 江苏信息职业技术学院 | 经济预测模型建立的方法和预测方法 |
CN108255854A (zh) * | 2016-12-29 | 2018-07-06 | 南京南瑞继保电气有限公司 | 基于粒子群优化的模糊神经网络数据挖掘方法 |
CN109191315A (zh) * | 2018-08-22 | 2019-01-11 | 泰康保险集团股份有限公司 | 基于区块链的保险互助方法、装置、介质及电子设备 |
CN109214926A (zh) * | 2018-08-22 | 2019-01-15 | 泰康保险集团股份有限公司 | 基于区块链的理财产品推荐方法、装置、介质及电子设备 |
CN109377104A (zh) * | 2018-12-04 | 2019-02-22 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
KR101958903B1 (ko) * | 2018-05-31 | 2019-03-15 | 수원대학교산학협력단 | RBFNNs 모델을 이용한 부분 방전 분류 시스템 |
CN111192144A (zh) * | 2020-01-03 | 2020-05-22 | 湖南工商大学 | 一种金融数据预测方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103087A (zh) * | 2017-05-02 | 2017-08-29 | 成都中远信电子科技有限公司 | 区块链大数据商情分析系统 |
US11416739B2 (en) * | 2018-01-29 | 2022-08-16 | Lawrence Livermore National Security, Llc | Optimization control technology for building energy conservation |
CN109087205B (zh) * | 2018-08-10 | 2020-09-18 | 北京字节跳动网络技术有限公司 | 舆情指数的预测方法及装置、计算机设备和可读存储介质 |
CN109493009B (zh) * | 2018-11-20 | 2022-03-08 | 四川长虹电器股份有限公司 | 基于xbrl和区块链的供应链金融平台系统 |
-
2020
- 2020-07-08 CN CN202010653559.XA patent/CN111798062B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001015079A1 (en) * | 1999-08-26 | 2001-03-01 | Westport Financial Llc | An artificial neural network based universal time series |
CN101976221A (zh) * | 2010-10-14 | 2011-02-16 | 北京航空航天大学 | 一种基于粒子群禁忌组合的并行测试任务调度方法及平台 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN103955906A (zh) * | 2014-05-21 | 2014-07-30 | 武汉科技大学 | 基于蝙蝠算法的Criminisi图像修复方法 |
CN105022825A (zh) * | 2015-07-22 | 2015-11-04 | 中国人民解放军国防科学技术大学 | 结合财经新闻挖掘和金融历史数据的金融品种价格预测方法 |
CN105825347A (zh) * | 2016-03-30 | 2016-08-03 | 江苏信息职业技术学院 | 经济预测模型建立的方法和预测方法 |
CN108255854A (zh) * | 2016-12-29 | 2018-07-06 | 南京南瑞继保电气有限公司 | 基于粒子群优化的模糊神经网络数据挖掘方法 |
KR101958903B1 (ko) * | 2018-05-31 | 2019-03-15 | 수원대학교산학협력단 | RBFNNs 모델을 이용한 부분 방전 분류 시스템 |
CN109191315A (zh) * | 2018-08-22 | 2019-01-11 | 泰康保险集团股份有限公司 | 基于区块链的保险互助方法、装置、介质及电子设备 |
CN109214926A (zh) * | 2018-08-22 | 2019-01-15 | 泰康保险集团股份有限公司 | 基于区块链的理财产品推荐方法、装置、介质及电子设备 |
CN109377104A (zh) * | 2018-12-04 | 2019-02-22 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
CN111192144A (zh) * | 2020-01-03 | 2020-05-22 | 湖南工商大学 | 一种金融数据预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于小波和PSO-BP 神经网络的金融时序预测;苗旭东,等;《信息技术》;20180531(第5期);期刊第26-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798062A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798062B (zh) | 一种基于区块链和大数据的金融数据预测系统 | |
WO2022121289A1 (en) | Methods and systems for mining minority-class data samples for training neural network | |
Van Moffaert et al. | Scalarized multi-objective reinforcement learning: Novel design techniques | |
CN112581263A (zh) | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 | |
CN111310814A (zh) | 利用不平衡正负样本对业务预测模型训练的方法及装置 | |
CN111798061B (zh) | 基于区块链和云计算的金融数据预测系统 | |
CN106599935A (zh) | 基于Spark大数据平台的三支决策不平衡数据过采样方法 | |
CN112669161B (zh) | 基于区块链、舆情和核心算法的金融风控系统 | |
Dash | Performance analysis of an evolutionary recurrent Legendre Polynomial Neural Network in application to FOREX prediction | |
CN112927085B (zh) | 基于区块链、大数据和算法的股票风险预警系统 | |
CN110796485A (zh) | 一种提高预测模型的预测精度的方法及装置 | |
CN114219360A (zh) | 基于模型优化的监控安全预测方法及系统 | |
CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
Wang et al. | Adaptive constraint handling technique selection for constrained multi-objective optimization | |
CN112801231B (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
CN114021612A (zh) | 一种新型个人信用评估方法及系统 | |
CN113450207A (zh) | 一种智能催收方法、装置、设备及存储介质 | |
Tran et al. | How informative is the order book beyond the best levels? machine learning perspective | |
CN116092074A (zh) | 基于元学习小麦病虫害智能识别方法、智能识别系统 | |
CN115965823A (zh) | 一种基于Focal损失函数的在线困难样本挖掘方法及系统 | |
Solanke et al. | Intrusion detection using deep learning approach with different optimization | |
CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
JP4202339B2 (ja) | 類似事例に基づく予測を行う予測装置および方法 | |
CN118552907B (zh) | 一种基于优选下采样尺度的周界入侵人员检测方法及系统 | |
CN110648016A (zh) | 基于深度学习的股票数据分析方法和系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210317 Address after: 100020 rooms 02, 03, 04A, 2 / F, building 1, 19 Jianguomenwai street, Chaoyang District, Beijing Applicant after: CITIC Consumer Finance Co.,Ltd. Address before: No.8, Yantian Road, xinyingwan District, Yangpu Economic Development Zone, Danzhou City, Hainan Province Applicant before: Yangpu Minoan Electronic Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |