CN113033903A - 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备 - Google Patents

一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备 Download PDF

Info

Publication number
CN113033903A
CN113033903A CN202110352630.5A CN202110352630A CN113033903A CN 113033903 A CN113033903 A CN 113033903A CN 202110352630 A CN202110352630 A CN 202110352630A CN 113033903 A CN113033903 A CN 113033903A
Authority
CN
China
Prior art keywords
data
model
fruit
prediction
prices
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
CN202110352630.5A
Other languages
English (en)
Inventor
边根庆
张轶翔
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202110352630.5A priority Critical patent/CN113033903A/zh
Publication of CN113033903A publication Critical patent/CN113033903A/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
    • G06N3/045—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种LSTM模型和基于注意力机制seq2seq模型的水果价格预测方法，包括以下步骤：采集测试时间段内的相关影响因子的数据集；将数据集输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，分别得到预测结果P1和预测结果P2；将P1和P2采用集成学习拼接在一起作为新的预测数据输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，得到预测结果P1^和P2^，P1^和P2^经加权平均后得到水果价格预测结果。本发明通过集成学习将基于注意力机制的seq2seq模型和长短期记忆人工神经网络模型有效的结合在一起，从而可以极大的提高水果价格预测的准确性和稳定性。

Description

一种LSTM模型和seq2seq模型的水果价格预测方法、介质及 设备
技术领域
本发明属于价格预测技术领域，具体属于一种LSTM模型和seq2seq模型的水果价格预测方法、存储介质及设备。
背景技术
在对历史上水果市场价格预测方法研究中发现，最初的研究者通过差分整合移动平均自回归模型(ARIMA)来对水果市场价格进行短期预测，然而随着数据量的不断增大，预测准确度也渐渐降低。之后的研究者们提出了循环神经网络(RNN)，长短期记忆人工神经网络(LSTM)以及加入了注意力机制的长短期记忆网络等模型来实现对水果市场价格影响因素在时间序列上的短期价格预测，但这些预测模型在进行水果价格预测中一定程度上会耗费较长的时间，并且预测的准确度也较低，导致预测结果的参考价值较低，导致农户和消费者不能充分了解当前水果价格信息，而且农户不能及时掌握水果价格，导致水果脱销和滞销情况，常常出现丰产不丰收现象，严重影响着广大农户和本地经销商及消费者的经济利益。因此本发明提出一种基于注意力机制(Attention)的seq2seq模型与长短期记忆人工神经网络(LSTM)模型相结合的预测模型来对水果市场价格短期预测，解决上述问题。
发明内容
为了解决现有技术中存在的问题，本发明提供一种LSTM模型和seq2seq模型的水果价格预测方法、存储介质及设备，解决目前预测模型在进行水果价格预测中预测的准确度较低的问题。
一种LSTM模型和seq2seq模型的水果价格预测方法，包括以下步骤：
采集测试时间段内的相关影响因子的数据集；
将数据集输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，分别得到预测结果P1和预测结果P2；
将P1和P2采用集成学习拼接在一起作为新的预测数据输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，得到预测结果P1^和P2^，P1^和P2^经加权平均后得到水果价格预测结果。
进一步的，采集的数据集，经过归一化处理后输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，所述归一化处理的公式如下：
Figure BDA0003002618160000021
式中：
Figure BDA0003002618160000022
为归一化处理后的数据，Xi为采集的数据，Xmean为单个指数内的均值，Xt为单个指标内所有值的标准差。
进一步的，对采集的数据集通过预处理后进行归一化处理，预处理的过程如下：
若单个时间段的部分数据缺失，则通过插值法对缺失数据进行补全，若单个时间段的全部数据缺失，则通过相邻时间段的数据进行补全；
补全后的数据分为多个区间，每个区间中以补全后的数据所在区间的中值作为当前区间使用的测试数据。
进一步的，所述相关影响因子的数据集包括水果和季节替代水果的历史价格、居民消费水平、最高温度、最低温度、降雨量、露点和霜点。
进一步的，在采集测试时间段内的相关影响因子的数据集后，需绘制出水果价格的走势图，走势图分为日价格、周价格和月价格，日价格、周价格和月价格的走势图的横坐标为时间，单位长度分别为天、周和月，纵坐标均为每日价格，单位长度为元。
进一步的，长短期记忆人工神经网络模型包括特征输入层、双向长短期记忆层和结果输出层，采集的数据特征拼接成一个特征向量，拼接的特征向量用作双向短期记忆层的输入，经双向长短期记忆层计算后输出水果价格，结果输出层对水果价格的序列进行整体优化，输出下一个时间点水果的预测价格，所有时间点的水果预测价格组成预测结果P1。
进一步的，基于注意力机制的seq2seq模型中编码和解码的通用模型均为GRU。
进一步的，预测结果P1和预测结果P2采用集成学习拼接在一起作为新的预测数据，得到水果价格预测结果的具体过程如下：
通过集成学习将预测结果P1和预测结果P2拼接在一起作为新的预测数据分别输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，分别得到P1^和P2^，再将P1^和P2^经通过注意力机制得到不同的权重，将不同的权重进行点乘求和获得水果价格预测结果。
本发明还提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据上述的方法中的任一方法。
本发明还提供一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据上述方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明提供一种LSTM模型和基于注意力机制seq2seq模型的水果价格预测方法，通过将采集的数据集输入在集成学习的第一层中的长短期记忆人工神经网络模型中，同时采集的数据集输入在集成学习的第一层中的注意力机制的seq2seq模型中，分别得到集成学习第一层的预测结果P1和P2，然后将预测结果P1和P2作为输入在集成学习的第二层中的基于注意力机制的seq2seq模型和长短期记忆人工神经网络模型进行测试，得到预测结果P1^和P2^，P1^和P2^经加权平均后得到水果价格预测结果，本发明通过集成学习将基于注意力机制的seq2seq模型和长短期记忆人工神经网络模型有效的结合在一起，从而可以极大的提高水果价格预测的准确性和稳定性，便于监测水果价格变化，有助于果农针对性的安排种植、生产和销售计划，有利于提高果农和本地经销商的经济收益。
进一步的，在获取所有相关影响因子的数据集后，由于在获取中可能会存在各种原因，获取到的数据也可能会存在着数据缺失以及传输过程中可能出现偏差，包括实际设备的故障等原因都会导致历史数据中出现数据缺失和数据异常现象。数据的准确率直接影响水果市场价格预测模型的准确率，因此需要对水果历史价格及相关影响因素数据进行数据预处理，能够提高模型的准确率。
进一步的，采集的数据集进行归一化处理能够作为短期水果市场销售价格预测模型的特征，提升模型的准确率和加快模型在训练过程中的收敛性。
进一步的，本发明中的长短期记忆人工神经网络模型加入了双向长短期记忆网络层，该层能够在提取影响因子中减少某些因素受到空间因素的影响而使准确率降低，且本发明的长短期记忆人工神经网络模型加入了双向长短期记忆网络层克服了传统RNN模型中存在的梯度爆炸或者梯度消失问题。
进一步的，本发明中的基于注意力机制的seq2seq模型是在编码和解码中利用注意力机制将数据中影响比重较大的特征值最大程度的关注提取，从而提高准确率。
附图说明
图1为本发明的整体流程逻辑图；
图2为采集的数据集的预处理流程图；
图3为LSTM模型结构示意图；
图4为基于注意力机制的seq2seq模型；
图5为TCN的日预测模型的预测数据和真实数据对比图；
图6为本发明的日预测模型的预测数据和真实数据对比图；
图7为TCN的周预测模型的预测数据和真实数据对比图；
图8为本发明的周预测模型的预测数据和真实数据对比图；
图9为TCN的月预测模型的预测数据和真实数据对比图；
图10为本发明的月预测模型的预测数据和真实数据对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的说明。
如图1所示，图中TCN模型为本模型的对比模型，本发明提供一种LSTM模型和基于注意力机制seq2seq模型的水果价格预测方法，包括以下步骤：
S1：水果市场价格预测中影响因子的选取；在实际研究中，水果市场价格波动不仅有其自身的影响因素存在，还有外部环境的影响因素。经过多元回归分析确定了水果市场价格的影响因素为：水果历史价格、温度、降雨量、露点与霜点、季节替代水果(其他类别水果)以及居民消费水平CIP；
具体的，收集T1，T2，T3段时间内的水果历史价格及相关影响因子的数据集M，所采集数据包括套袋富士水果和替代品(草莓，梨)历史价格、CPI、气温(最高气温和最低气温)、降雨量以及露点和霜点，其中，T1，T2，T3以天为计量单位，替代品(草莓，梨)历史价格、CPI、气温(最高气温和最低气温)、降雨量以及露点和霜点皆为影响因子，同时分别绘制出T1，T2，T3段时间内日价格，周价格以及月价格的水果价格走势图，T1，T2，T3三个时间段所绘日价格，周价格，月价格走势图的横坐标为时间，且三段横坐标计量单位分别为日，周，月，而纵坐标为每日价格，其单位为元，通过价格走势图查看采集在水果价格数据是否有缺失，并提前观测水果真实价格走势，为最后预测结果在准确度对比做前期在准备；
S2：在获取所有相关多维指标数据集M后，由于在获取中可能会存在各种原因，获取到的数据也可能会存在着数据缺失以及传输过程中可能出现偏差，包括实际设备的故障等原因都会导致历史数据中出现数据缺失和数据异常现象。数据的准确率直接影响水果市场价格预测模型的准确率，因此需要对水果历史价格及相关影响因素数据进行数据预处理。数据预处理主要包括有缺失数据补全和异常数据替换等功能。
如图2所示，在缺失数据上，若单个时间段的部分数据缺失，则通过插值法对部分负荷和气温缺失数据进行补全，若单个时间段的全部数据缺失，主要通过附近日期的气温数据进行了补全，保证数据的完整性。且将补全后的数据分成多个区间，每个区间中，以补全后的数据所在区间的中值作为该区间使用的测试数据。
S3：水果市场销售历史价格以及相关影响因素经过数据预处理后，还需要对数据进行归一化才能作为短期水果市场销售价格预测模型的特征，数据归一化是将一类数据特征的值变换到0和1之间，数据归一化的优点包括提升模型的准确率和加快模型在训练过程中的收敛性。本方法主要使用了Max-Min数据归一化方法，分别对季节性替代水果价格，居民人均日消费(CPI)，天气气温，降雨量以及露点霜点数据进行了数据归一化，其处理公式如下所示：
Figure BDA0003002618160000061
其中，
Figure BDA0003002618160000062
为归一化后的数据，Xi为原始数据，Xmean为单个指数内所有均值的均值，Xt为单个指标内所有值的标准差。
S4：选取现有的LSTM模型如图3所示，将处理后的数据集M输入到LSTM模型中并进行训练，训练完毕后得到训练结果P1，其中S4是在集成学习的第一层中，使用LSTM模型对初步处理好的多维数据集M进行训练，得到训练结果P1，从而为第二层模型运算做准备；
本实施例中，步骤S4所选取的LSTM模型在已有的原始LSTM模型中加入了BLSTM层，其隐藏层将会保留两个值，而最终取值取决于两个值的均值；具体的，LSTM的预测模型由特征输入层、双向长短期记忆层、结果输出层3个层次组成，将采集的数据拼接成一个特征向量，拼接后的特征向量用作双向长短时记忆层的输入，经过该层计算后输出水果的价格表示，最后在结果输出层对价格序列进行整体优化，输出下一个时间点水果的预测价格，所有时间点的水果预测价格组成训练结果P1。
本实施例中LSTM组合模型第一层中LSTM使用到双向长短期记忆网络层(BLSTM)，该层可以在提取影响因子中减少某些因素受到空间因素的影响而使得准确率降低，而LSTM克服了传统RNN模型中存在的梯度爆炸或者梯度消失问题，被广泛地应用到了很多领域。LSTM单元通过输入门、记忆单元、遗忘门来控制参与网络中的信息继续参与计算或者被丢弃。
S5：选取现有的基于注意力机制的seq2seq模型，将处理后的多维数据集M利用所述多维指标数据对基于注意力机制的seq2seq模型进行训练，得到训练结果P2，其中，步骤S5与S4同在集成学习第一层中，选用基于注意力机制的seq2seq模型，将处理后的多维数据集M对模型进行训练，得到训练结果P2；为第二层模型运算做准备；
本实施例中，基于注意力机制的seq2seq模型中编码与解码的model(通用模型)均为GRU，而基于注意力机制的seq2seq是在编码-解码中，将关键的数据的最大程度的关注提取，从而提高准确率。其输出结果包括有四个值分别记为：A1、A2、A3、A4，A5，A6，A7，其后加权求和后得到最后的预测结果P2。
本实施例中，基于注意力机制的seq2seq网络模型中，它需要在编码器和解码器之间增加额外的连接。该模型沿用了Seq2seq的基本框架，主要在解码时刻使用注意力机制模块计算得到不同的背景变量。其结构示意如图4所示，在seq2seq模型加入了注意力机制后。同时将处理过后的多因自水果销售价格影响因子数据输入进seq2seq模型的中。在训练完毕后，将seq2seq模型参数保存下来。
其中seq2seq模型包含两个部分，分别为编码器encoder和解码器decoder，所述基于注意力机制的seq2seq模型如图4所示，其中a 1，a 2，…，a n-1，a n作为encoder的输入，而b1，b2，b3，...，bn-1，bn为decode的输出，attention把编码和解码做点乘，作为seq2seq中的权重，result是将attention的权重与encode中序列进行点积，并加入到最后的输出中得到预测结果。
其中encoder用的是双向RNN，当RNN单元循环回来的时候都会有一个输出给出将要翻译的词对应的attend，而此时肯定是它的最下方的词应该是注意力最集中的，所以它对应的权重肯定是最大的。这里的权重分配公式如下所示，其中hj是第j个Encoder隐层出来的记忆单元；
eij＝a(si-1，hj)
式中：eij是对位模型，其中计算位置j周边的输入与位置i的输出相匹配，又称得分函数。其中si-1先与每个hj分别计算得到一个数值，然后使用softmax得到i时刻的输出在j个输入隐藏状态中的注意力分配向量。
其中encoder，decode在提取到的预测水果价格的sequence特征后，用GLU将之激活后输出。
S6：将训练完毕后的P1和P2利用集成学习拼接在一起作为新的训练数据，最终得到新的预测结果P3，即最终的水果价格预测结果，最后将最终预测结果与真实数据进行比较，查看拟合度；其中S6是将S4和S5所得结果作为输入，利用集成学习在第二层再次进行训练从而得到最终结果P3。从而与真实值进行拟合度比对，得到最后的预测结果，本实施例中S6通过集成学习将第一层两个模型的输出结果当成新的输入并进行训练，且得到的结果P1^和P2^经加权平均后得到最终预测结果P5，其中加权后所有的权重在训练完后确定。
具体的，在第二层模型中进行训练，其输入为第一层两个预测模型在验证集上的输出。在本方法中，利用集成学习，在第二层是将LSTM预测模型结果与基于注意力机制的seq2seq模型的预测结果P1，P2拼接起来作为第二层的训练集放入LSTM和seq2seq模型中进行训练，测试集同理。最后两个模型得到的两个预测结果通过注意力机制得到不同的权重，将不同的权重进行点乘求和，从而得到最终的预测结果，并查看拟合度。
测试过程和如上步骤相同，但在对比例中，TCN模型作为单一对比模型，从S3完成后将处理过的数据开始在TCN模型中训练，待训练完毕后分别得到日预测、周预测以及月预测结果，其结果如图5，图7，图9所示，分别为日预测，周预测以及月预测的对比模型预测结果，通过本发明中的预测结果的图6，图8和图10相比。从中可以看出本发明所采用的方法的拟合度相对其他模型有了一定的提高，预测的准确率以及稳定性更高，便于监测水果价格变化，有助于果农针对性的安排种植、生产和销售计划，有利于提高果农和本地经销商的经济收益。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于水果价格预测的操作，包括：
采集测试时间段内的相关影响因子的数据集；
将数据集输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，分别得到预测结果P1和预测结果P2；
将P1和P2采用集成学习拼接在一起作为新的预测数据输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，得到预测结果P1^和P2^，P1^和P2^经加权平均后得到水果价格预测结果。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关水果价格预测的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
采集测试时间段内的相关影响因子的数据集；
将数据集输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，分别得到预测结果P1和预测结果P2；
将P1和P2采用集成学习拼接在一起作为新的预测数据输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，得到预测结果P1^和P2^，P1^和P2^经加权平均后得到水果价格预测结果。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求所述的保护范围为准。

Claims (10)

1.一种LSTM模型和seq2seq模型的水果价格预测方法，其特征在于，包括以下步骤：
采集测试时间段内的相关影响因子的数据集；
将数据集输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，分别得到预测结果P1和预测结果P2；
将P1和P2采用集成学习拼接在一起作为新的预测数据输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，得到预测结果P1^和P2^，P1^和P2^经加权平均后得到水果价格预测结果。
2.根据权利要求1所述的一种LSTM模型和seq2seq模型的水果价格预测方法，其特征在于，采集的数据集，经过归一化处理后输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，所述归一化处理的公式如下：
Figure FDA0003002618150000011
式中：
Figure FDA0003002618150000012
为归一化处理后的数据，Xi为采集的数据，Xmean为单个指数内的均值，Xt为单个指标内所有值的标准差。
3.根据权利要求2所述的一种LSTM模型和seq2seq模型的水果价格预测方法，其特征在于，对采集的数据集通过预处理后进行归一化处理，预处理的过程如下：
若单个时间段的部分数据缺失，则通过插值法对缺失数据进行补全，若单个时间段的全部数据缺失，则通过相邻时间段的数据进行补全；
补全后的数据分为多个区间，每个区间中以补全后的数据所在区间的中值作为当前区间使用的测试数据。
4.根据权利要求1所述的一种LSTM模型和seq2seq模型的水果价格预测方法，其特征在于，所述相关影响因子的数据集包括水果和季节替代水果的历史价格、居民消费水平、最高温度、最低温度、降雨量、露点和霜点。
5.根据权利要求1所述的一种LSTM模型和seq2seq模型的水果价格预测方法，其特征在于，在采集测试时间段内的相关影响因子的数据集后，需绘制出水果价格的走势图，走势图分为日价格、周价格和月价格，日价格、周价格和月价格的走势图的横坐标为时间，单位长度分别为天、周和月，纵坐标均为每日价格，单位长度为元。
6.根据权利要求1所述的一种LSTM模型和seq2seq模型的水果价格预测方法，其特征在于，长短期记忆人工神经网络模型包括特征输入层、双向长短期记忆层和结果输出层，采集的数据特征拼接成一个特征向量，拼接的特征向量用作双向短期记忆层的输入，经双向长短期记忆层计算后输出水果价格，结果输出层对水果价格的序列进行整体优化，输出下一个时间点水果的预测价格，所有时间点的水果预测价格组成预测结果P1。
7.根据权利要求1所述的一种LSTM模型和seq2seq模型的水果价格预测方法，其特征在于，基于注意力机制的seq2seq模型中编码和解码的通用模型均为GRU。
8.根据权利要求1所述的一种LSTM模型和seq2seq模型的水果价格预测方法，其特征在于，预测结果P1和预测结果P2采用集成学习拼接在一起作为新的预测数据，得到水果价格预测结果的具体过程如下：
通过集成学习将预测结果P1和预测结果P2拼接在一起作为新的预测数据分别输入长短期记忆人工神经网络模型和基于注意力机制的seq2seq模型中，分别得到P1^和P2^，再将P1^和P2^经通过注意力机制得到不同的权重，将不同的权重进行点乘求和获得水果价格预测结果。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
CN202110352630.5A 2021-03-31 2021-03-31 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备 Pending CN113033903A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110352630.5A CN113033903A (zh) 2021-03-31 2021-03-31 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110352630.5A CN113033903A (zh) 2021-03-31 2021-03-31 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备

Publications (1)

Publication Number Publication Date
CN113033903A true CN113033903A (zh) 2021-06-25

Family

ID=76453543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110352630.5A Pending CN113033903A (zh) 2021-03-31 2021-03-31 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备

Country Status (1)

Country Link
CN (1) CN113033903A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837802A (zh) * 2021-09-24 2021-12-24 深圳闪回科技有限公司 一种时序过程与手机缺陷特征深度融合的二手手机价格预测算法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837802A (zh) * 2021-09-24 2021-12-24 深圳闪回科技有限公司 一种时序过程与手机缺陷特征深度融合的二手手机价格预测算法
CN113837802B (zh) * 2021-09-24 2024-05-28 深圳闪回科技有限公司 一种时序过程与手机缺陷特征深度融合的二手手机价格预测方法

Similar Documents

Publication Publication Date Title
Hong et al. Probabilistic electric load forecasting: A tutorial review
CN110969285B (zh) 预测模型训练方法、预测方法、装置、设备及介质
CN113298297B (zh) 一种基于孤立森林与wgan网络的风电输出功率预测方法
CN111695731B (zh) 基于多源数据和混合神经网络的负荷预测方法、系统及设备
CN113239624B (zh) 基于神经网络组合模型的短期负荷预测方法、设备及介质
CN110210993B (zh) 基于循环神经网络模型的城市短期燃气负荷预测方法
CN105427138A (zh) 基于神经网络模型的产品市场占有率分析方法及系统
CN113807432A (zh) 一种基于深度学习的气温预报数据订正方法
CN111091241A (zh) 一种基于bp神经网络的药品销量预测与决策方法及系统
CN116128141B (zh) 风暴潮预测方法、装置、存储介质及电子设备
CN115099842A (zh) 一种商品销量预测模型、构建方法及其应用
CN110210946A (zh) 数据处理方法及装置、介质和计算设备
CN115409292A (zh) 一种电力系统短期负荷预测方法及相关装置
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
CN113537645B (zh) 基于机器学习融合卫星与天气数据的大豆产量预测方法
CN113033903A (zh) 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备
CN117010942B (zh) 基于神经网络和线性模型的农产品销售预测方法和系统
CN113610328A (zh) 一种发电负荷预测方法
CN112686470A (zh) 电网饱和负荷预测方法、装置及终端设备
Gochhait et al. Regression model-based short-term load forecasting for load despatch centre
CN115619449A (zh) 基于深度学习模型的化肥价格预测方法、设备及存储介质
CN114399101A (zh) 基于tcn-bigru的燃气负荷预测方法和装置
Zhang Sales Prediction Based on ARIMA Time Series and Multifactorial Linear Model
CN113869990A (zh) 基于时空表示学习模型的商铺租赁定价方法
CN116776134B (zh) 一种基于PCA-SFFS-BiGRU的光伏出力预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210625