【技术实现步骤摘要】
一种基于参数自优化LSTM网络的化肥价格预测方法及系统
[0001]本专利技术涉及化肥价格预测
,具体涉及一种基于参数自优化LSTM网络的化肥价格预测方法及系统。
技术介绍
[0002]当前化肥在现代化农业生产的过程中有着重要的作用,其通过人为的方式为农作物补充所需的氮、磷、钾等营养物质,以保障农作物的产量。鉴于化肥在农业生产中的重要性,为了稳定价格、规避风险,因此通过市场化的手段促进化肥行业持续稳定健康的发展。这使得化肥价格预测对辅助农业生产决策起到了重要的作用。
[0003]传统方法处理化肥价格预测主要依靠统计学理论,对数据分布规则和完整性等方面要求非常严格。而化肥价格变化是由多种因素所影响的,同时这些因素之间还存在复杂的非线性关系,这需要更复杂的模型来处理。随着机器学习的发展,特别是深度神经网络的出现,由于其强大的非线性拟合能力,深度神经网络已经被用于各种数据处理中。对于化肥价格这类具有时间序列特性的数据,循环神经网络(RNN)及其衍生网络长短期记忆网络(LSTM)和门控循环网络(GRU)能够有效地处理数据间的时间关联性。但化肥价格还与多种因素相关,因此需要对多种变量进行处理。同时,随着模型复杂度的增加,其网络参数的选择变得越来越困难,因此寻找合适的网络参数也需要耗费大量的时间。
[0004]综上所述,尽管在化肥价格预测方面已经有了一定的进展,但在多变量预测和网络参数优化时仍有一定的局限性,因此提出一种基于参数自优化LSTM网络的化肥价格预测方法及系统。
技术实现思路
[0 ...
【技术保护点】
【技术特征摘要】
1.一种基于参数自优化LSTM网络的化肥价格预测方法,其特征在于,包括如下步骤:S1、采集化肥价格相关数据,获取化肥价格及相关因素原始序列,构建多维序列向量;所述相关因素包括化肥的销售量、库存量、作物种植面积、温度及降水量;S2、根据所述多维序列向量,进行归一化处理,然后采用经验模态分解方法分解出多组模态分量;S3、以每组所述模态分量为输入,构建多输入的LSTM网络模型;S4、根据所述LSTM网络模型,赋予网络初始超参数,包括层数和各层神经元数,并通过基于神经元状态的参数自优化方法对所述超参数进行优化;S5、根据参数自优化后的LSTM网络模型,提取每组模态分量的特征信息,所述特征信息包括对应的化肥价格及相关因素的特征;S6、融合多个所述LSTM网络模型提取的特征信息,获取最终的化肥价格预测结果。2.如权利要求1所述的化肥价格预测方法,其特征在于,所述S2中,化肥价格和相关因素的模态分量数量不等时,对部分模态分量进行合并,以对齐模态分量的数量。3.如权利要求1所述的化肥价格预测方法,其特征在于,所述S3中,为每一组模态分量分别建立LSTM网络模型,所述LSTM网络模型的数量与模态分量的数量相等。4.如权利要求1所述的化肥价格预测方法,其特征在于,所述S4中,基于神经元状态的参数自优化方法是对多个LSTM网络模型的超参数分别进行优化,其具体步骤包括:S41、初始化LSTM网络模型的层数和各层神经元数,并根据层数和各层神经元数初始化LSTM网络模型;S42、基于输入数据对LSTM网络模型的权重参数进行训练,训练完成后记录LSTM网络模型的最优权重参数;S43、根据LSTM网络模型的最优权重参数和训练集数据计算LSTM网络模型各层的神经元输出值,记为神经元状态s
i,l,n,t
;其中,i为所在样本编号,l为神经元所在层数,n为神经元在该层的标号,t为一个滑动窗口中的所在时间步;S44、计算神经元状态s
i,l,n,t
的相关系数矩阵R
i,l
;S45、对第l层所有相关系数矩阵R
i,l
按位求均值,得到第l层的相关系数均值矩阵S46、根据相关系数均值矩阵和相关性阈值,构建神经元状态序列相关性集合{C1,C2,
…
};其中,C1,C2,
…
为神经元状态;S47、根据相关性集合构造权重参数的转移矩阵;S48、根据相关性集合和转移矩阵,调整各层神经元数和权重参数,并重复S42到S48;S49、根据各层神经元数,调整层数和权重参数,并重复S42到S49。5.如权利要求4所述的化肥价格预测方法,其特征在于,所述S44中,相关系数矩阵Ri
,l
的计算步骤包括:计算神经元状态序列之间的协方差:计算神经元状态序列之间的协方差:其中分别为神经元状态序列S
i,l,n1
和S
i,l,n2
的均值;计算神经元状态序列之间的相关系数:其中分别为神
经元状态序列S
i,l,n1
和S
i,l,n2
的方差;构建相关系数矩阵:6.如权利要求4所述的化肥价格预测方法,其特征在于,所述S47中的转移矩阵包括输入转移矩阵T
i
、状态左乘矩阵T
l
和状态右乘矩阵T
r
,其构建步骤包括:构建输入转移矩阵T
i
:根据上一层网络的神经元数量n构建单位矩阵I
n
,若为第一层网络,则神经元数量设为1;遍历上一层网络的相关性集合,构建长度为n的一维向量e,并将向量e的正相关神经元序号标记为1,负相关神经元序号标记为
‑
1;选取相关性集合中的一个正...
【专利技术属性】
技术研发人员:周林立,李锦程,吴迪,熊建巧,
申请(专利权)人:中国科学院合肥物质科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。