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方案

本发明专利技术提供一种基于参数自优化LSTM网络的化肥价格预测方法及系统，该方法包括：采集化肥价格及相关因素原始数据，构建多维序列向量；进行归一化处理，然后采用EMD方法分解出多组模态分量；以每组所述模态分量为输入，构建多输入的LSTM网络模型；赋予LSTM网络模型初始超参数，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；根据参数自优化LSTM网络模型，提取该组模态分量的特征信息；融合多个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。本发明专利技术采用多变量预测和EMD方法结合，提高化肥价格预测的准确性；使用基于神经元状态的参数自优化方法，提升网络模型参数的优化效率。型参数的优化效率。型参数的优化效率。

【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

[0005]为解决上述技术问题，本专利技术提供一种基于参数自优化LSTM网络的化肥价格预测方法及系统，采用包括化肥价格及相关因素的多变量预测，提高了化肥价格预测的准确性；采用EMD方法对数据序列进行分解，获取多个不同频率的模态分量，提高网络模型对数据短期变化和长期趋势的学习能力；提出的基于神经元状态的参数自优化方法，将参数自优化和网络训练合并执行，有效提升网络模型参数的优化效率。
[0006]为达到上述目的，本专利技术采用的技术方案为：
[0007]一种基于参数自优化LSTM网络的化肥价格预测方法，包括如下步骤：
[0008]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；
[0009]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；
[0010]S3、以每组所述模态分量为输入，构建多输入的LSTM网络模型；
[0011]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；
[0012]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；
[0013]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。
[0014]进一步地，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。
[0015]进一步地，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。
[0016]进一步地，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：
[0017]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；
[0018]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；
[0019]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；
[0020]S44、计算神经元状态s
i,l,n,t
的相关系数矩阵R
i，l
；
[0021]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
[0022]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；
[0023]S47、根据相关性集合构造权重参数的转移矩阵；
[0024]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；
[0025]S49、根据各层神经元数，调整层数和权重参数，并重复S42到S49。
[0026]进一步地，所述S44中，相关系数矩阵R
i，l
的计算步骤包括：
[0027]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；
[0028]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；
[0029]构建相关系数矩阵：
[0030]进一步地，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：
[0031]构建输入转移矩阵T
i
：
[0032]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；
[0033]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；
[0034]选取相关性集合中的一个正相关神经元序号，在单位矩阵I
n
中选取对应行，用一维向量e替换，并删除相关性集合中其他的相关神经元序号的对应行，构造出新矩阵
[0035]计算得到输入转移矩阵T
i
；
[0036]构建状态左乘矩阵T
l
：
[0037]根据当前层网络的神经元数量n构建单位矩阵I
n
；
[0038]遍历当前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；
[0039]选取相关性集合中的一个正相关神经元序号，在单位矩阵I
n
中选取对应行，用一维向量e替换，并删除相关性集合中其他的相关神经元本文档来自技高网...

【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：