一种基于知识图谱与滞后效应的纺织原料价格预测方法技术

本发明专利技术公开了一种基于知识图谱与滞后效应的纺织原料价格预测方法，包括构建纺织行业上游产品图谱、定义输入层、数据准备、节点优化、滞后效应分析、定义LSTM模型结构、选取特征向量、模型训练。为了能更好把握纺织原料市场行情，提升纺织企业的竞争力和预判力，本发明专利技术基于纺织原材料上游产品图谱基础上，考虑上游产品价格变化联动效应和时间上的滞后效应分析，根据上游产品历史t时刻数据，再采用LSTM模型，预测未来t+1时刻纺织原材料价格走势，来实现未来原材料价格走势预测，为企业对应市场变化或风险，提供参考依据。提供参考依据。提供参考依据。

【技术实现步骤摘要】
一种基于知识图谱与滞后效应的纺织原料价格预测方法


[0001]本专利技术涉及纺织原料价格预测
，具体为一种基于知识图谱与滞后效应的纺织原料价格预测方法。

技术介绍

[0002]纺织原料指的是一切用于纺纱的天然或化学纤维。天然纤维主要为棉、麻、丝、毛。化学纤维包含粘胶纤维、醋酯纤维、涤纶、锦纶、晴纶、维纶、丙纶、氯纶等。上游产品受供需因素影响大，且都属于周期性行业，如果主要原材料棉花和化学纤维价格出现大幅波动，将直接导致纺织原料产品成本出现波动，并进而影响企业的盈利能力。

技术实现思路

[0003]本专利技术的目的在于提供一种基于知识图谱与滞后效应的纺织原料价格预测方法，其基于上游产品价格变化联动效应和时间上的滞后效应分析，再采用LSTM模型，来实现未来原材料价格走势预测，为企业对应市场变化或风险，提供参考依据，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]一种基于知识图谱与滞后效应的纺织原料价格预测方法，包括以下步骤：
[0006]S1：构建纺织行业上游产品图谱，采用有向无权图G(V,E)的形式，图网络结构的计算单元为GN模块，以图为输入，在GN模块内执行计算，并返回一个图作为输出；
[0007]S2：定义输入层：输入层负责对节点输入的节点属性、边属性、全局属性进行相应的处理，满足网络输入的要求；
[0008]S3：数据准备：上游产品节点价格、产量、库存相关的历史数据；
[0009]S4：节点优化：基于S2探索所有路径上节点与目标节点的关系，包括价格相关性分析、计算相关系数R值，取值范围为[
‑
1,1]，绝对值越接近1，相关性越强，绝对值越接近0，相关性越弱，或利用曲线图直观表现，设置R值阈，删除与目标节点无关的节点，保留关键重要节点；
[0010]S5：滞后效应分析：基于S3图谱路径探索各节点对目标节点的滞后影响分析，探索滞后时长，短期0
‑
14天，中期15
‑
30，长期31
‑
60天；
[0011]S6：定义LSTM模型结构：采用四层LSTM网络堆叠设计，LSTM模块的层数越多，训练的时候就难收敛，Sequential用于初始化神经网络，LSTM用于添加长短期隐藏层，Dropout用于添加防止过拟合的dropout层，Dense用于添加全连接的神经网络层，最后加一层普通的神经网路层用于输出结果的降维；
[0012]S7：选取特征向量：根据路径的相应节点信息，包括节点属性、边属性进行编码，生成特征向量，满足LSTM网络输入的要求，对数据进行归一化处理，并基于S5分析结果，将其节点信息选择前n天数据纳入；
[0013]S8：模型训练：基于S6
‑
S7，采用LSTM细胞作为更新函数，U
t
、U
hidt
、E
t
、E
hidt
经过LSTM
计算得到的输出值与V
t
、V
hidt
共同作为节点属性更新的输入值，与t+1时刻的V
t+1
、V
hid t+1
作为最终目标变量，进行训练模型，其中，更新函数LSTM1、LSTM2、LSTM3分别进行单独训练，均选取MAE作为训练目标函数，Adam作为优化函数，训练完成后，将测试数据作为输入，输出值即为现货价格的预测值。
[0014]进一步地，S1中GN模块计算公式如下：v
i
表示节点，e
k
表示节点之间相连的边，u表示全局属性；s
k
和r
k
分别表示边e
k
的发送节点和接收节点；完整的图网络模块的内部结构包含三个更新函数φ1、φ2、φ3，以及三个聚合函数ρ1、ρ2、ρ3:
[0015][0016][0017][0018][0019][0020][0021]式中：
[0022][0023]进一步地，GN模块由输入层V
t
、V
hidt
、U
t
、U
hidt
、Et、E
hidt
，更新函数LSTM和输出层V
t+1
、V
hidt+1
组成，其计算过程如下：
[0024]S101：利用当前的边信息E、节点信息V、全局信息U来生成新的边的信息；
[0025]S102：利用新的边信息，生成新的节点信息；
[0026]S103：利用新的节点和边信息，生成新的全局信息U，即完成整个更新过程。
[0027]进一步地，S2中将产品定为节点，其中V＝{v1，v2，
…
}中的每一个节点代表了一种化工产品，选取产品的现货价格、期货价格、产量、库存作为节点属性，E＝{e
ij
∈E|e
ij
＜v
i
，v
j
＞，v
i
，v
j
∈V}是产品间的生产依赖关系集合，e
ij
表示产品，v
i
是v
j
的原材料，定义上下游价格比价作为边属性，全局属性选取大宗商品指数CCPI、生产价格指数PPI作为对市场宏观环境变化情况衡量指标数据：
[0028][0029]e
ij
＝a v
i
/v
j
[0030]式中：e
ij
:节点i、j的边属性，即上下游价格比价；v
i
、v
j
:节点i、j产品价格；a：生产1吨j节点产品所需消耗i节点的量。
[0031]进一步地，S5中具体算法如下：定义节点i在t时刻产品价格v
it
、目标节点价格v
ot
，计算v
it
与v
ot
的相关系数R值，循环迭代计算v
it
‑1与v
ot
，
…
，v
it
‑
n
与v
ot
，选择节点i滞后t
‑
n天相关系数最大值。
[0032]与现有技术相比，本专利技术的有益效果是：
[0033]本专利技术结合纺织原材料上游产品图谱、滞后效应分析与深度学习模型，提出一种基于知识图谱与滞后效应的纺织原料价格预测方法，基于纺织原材料上游产品图谱基础上，考虑上游产品价格变化联动效应和时间上的滞后效应分析，根据上游产品历史t时刻数据，再采用LSTM模型，预测未来t+1时刻纺织原材料价格走势，来实现未来原材料价格走势预测，为企业对应市场变化或风险，提供参考依据。
附图说明
[0034]图1为本专利技术的纺织行业原材料上游产品图谱；
[0035]图2为本专利技术的多层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱与滞后效应的纺织原料价格预测方法，其特征在于，包括以下步骤：S1：构建纺织行业上游产品图谱，采用有向无权图G(V,E)的形式，图网络结构的计算单元为GN模块，以图为输入，在GN模块内执行计算，并返回一个图作为输出；S2：定义输入层：输入层负责对节点输入的节点属性、边属性、全局属性进行相应的处理，满足网络输入的要求；S3：数据准备：上游产品节点价格、产量、库存相关的历史数据；S4：节点优化：基于S2探索所有路径上节点与目标节点的关系，包括价格相关性分析、计算相关系数R值，取值范围为[
‑
1,1]，绝对值越接近1，相关性越强，绝对值越接近0，相关性越弱，或利用曲线图直观表现，设置R值阈，删除与目标节点无关的节点，保留关键重要节点；S5：滞后效应分析：基于S3图谱路径探索各节点对目标节点的滞后影响分析，探索滞后时长，短期0
‑
14天，中期15
‑
30，长期31
‑
60天；S6：定义LSTM模型结构：采用四层LSTM网络堆叠设计，LSTM模块的层数越多，训练的时候就难收敛，Sequential用于初始化神经网络，LSTM用于添加长短期隐藏层，Dropout用于添加防止过拟合的dropout层，Dense用于添加全连接的神经网络层，最后加一层普通的神经网路层用于输出结果的降维；S7：选取特征向量：根据路径的相应节点信息，包括节点属性、边属性进行编码，生成特征向量，满足LSTM网络输入的要求，对数据进行归一化处理，并基于S5分析结果，将其节点信息选择前n天数据纳入；S8：模型训练：基于S6
‑
S7，采用LSTM模型作为更新函数，U
t
、U
hidt
、E
t
、E
hidt
经过LSTM计算得到的输出值与V
t
、V
hidt
共同作为节点属性更新的输入值，与t+1时刻的V
t+1
、V
hidt+1
作为最终目标变量，进行训练模型，其中，更新函数LSTM1、LSTM2、LSTM3分别进行单独训练，均选取MAE作为训练目标函数，Adam作为优化函数，训练完成后，将测试数据作为输入，输出值即为现货价格的预测值。2.如权利要求1所述的一种基于知识图谱与滞后效应的纺织原料价格预测方法，其特征在于：S1中GN模块计算公式如下：v
i
表示节点，e
k
表示节点之间相连的边，u表示全局属性；s
k
和r
k
分别表示边e
k
的发送节点和接收节点；完...

【专利技术属性】
技术研发人员：董菲，于溦，吴声剑，
申请(专利权)人：南京致景信息科技有限公司，
类型：发明
国别省市：