基于深度学习的大宗商品价格预测方法与系统技术方案

本发明专利技术涉及基于深度学习的大宗商品价格预测方法及系统，属于数据分析技术领域，所述方法包括下述步骤：基于与大宗商品价格相关性最大的

【技术实现步骤摘要】
基于深度学习的大宗商品价格预测方法与系统


[0001]本公开涉及数据分析
，尤其涉及一种基于深度学习的大宗商品价格预测方法与系统
。

技术介绍

[0002]2020
年下半年以来，全球大宗商品价格迅速上涨，在宏观经济探讨过程中，任何时候大宗商品全面迅速上涨都是需要重点关注的问题
。
我国是全球最大的大宗商品进口国，大宗商品交易在我国经济循环中的占比极高，面对国际大宗商品价格的迅猛上涨，我国相关产品生产成本大幅提升
。
在这样的背景下，目前国内众多企业对世界大宗商品价格预测存在较大的需求
。
[0003]因此，依托大数据技术对大宗商品价格进行预测，无论是对社会管理还是企业经营都具有重要价值，而传统的价格预测模型在局部时序特征提取和特征中有用信息的筛选上尚存在改进空间
。
此外，由于大宗商品产业链上下游产品数量众多，产业链中上下游产品价格间的波动变化往往存在着不同程度的联动效应，并且价格波动往往表现为复杂的非线性关系，企业经营管理和政府调控监管都有一定的难度
。
而常见的价格预测方法通常只围绕某一个商品进行研究，很少将与目标商品具有联动效应的其他商品纳入预测体系当中，不能完全满足政府和企业对全产业链上产品价格的综合监管和预测需求
。

技术实现思路

[0004]针对上述现有技术，本专利技术所解决的技术问题至少包括：
[0005](1)
特征中有用信息的筛选问题
[0006]在大宗商品价格预测中，显著影响价格的重要特征包含了预测价格的关键信息，但这些特征中也会存在一些干扰因素，如果从特征中进一步筛选出有用的信息，则能够在一定程度上改进模型的预测效果
。
[0007](2)
特征中局部与长期信息的平衡问题
[0008]对于价格序列波动性较强的特征中的潜藏信息，虽然神经网络的局部感知能力可以提取这一部分信息，但神经网络结构如果过于复杂就会丢失过多反映序列长期趋势的信息，因此如果针对价格序列波动性特征确定合适的神经网络模型，将有助于提高预测精度
。
[0009]为了解决上述技术问题，本专利技术的技术方案如下
。
[0010]第一方面，本专利技术提出基于深度学习的大宗商品价格预测方法，所述方法包括下述步骤：
[0011]基于与大宗商品价格相关性最大的
n
个影响因素
、
以及大宗商品历史价格序列，获取各自的时间尺度特征并组合成特征向量，对特征向量进行分量特征筛选；
n
为设定值；
[0012]根据筛选的特征分量，使用深度学习模型进行价格预测
。
[0013]上述技术方案认为与大宗商品价格相关性最大的
n
个影响因素会对大宗商品的价格产生作用
。
对两者提取时间尺度特征，一个影响因素或历史价格序列可以根据不同的时
间尺度分出多个特征
。
并为了提高预测的准确性，对时间尺度特征构成的特征向量进行筛选，再采用深度学习模型基于筛选的分量特征对商品价格进行预测，从而帮助企业
、
政府等更及时有效的对自身的经营管理和监管措施做出调整，以适更好地应未来市场的变化
。
[0014]作为上述技术方案的改进，在显著影响大宗商品价格的重要特征中包含着预测价格的关键信息，通过综合运用
EMD
与
Lasso
筛选出特征中重要的分量，能够更好地提取特征中有用的信息
。
基于与大宗商品价格相关性最大的
n
个影响因素和大宗商品历史价格序列，获取各自的时间尺度特征，并对时间尺度特征进行特征筛选，一种实施方式中，实施过程如下：
[0015]将相关系数最大的前
n
项影响因素通过
EMD
分解获得第一残差分量
、
若干第一
IMF
分量；
[0016]对大宗商品的历史价格序列采用
EMD
进行分解，获得第二残差分量
、
若干第二
IMF
分量；
[0017]按高
、
中
、
低三个频段各自设定的范围，将若干第一
IMF
分量
、
若干第二
IMF
分量进行划分成高
、
中
、
低三个频段；
[0018]对高
、
中
、
低三个频段以及残差频段，将相同频段的价格序列与特征分解出的分量组合为特征向量；
[0019]对特征向量，利用
Lasso
算法将不重要分量的系数收缩到0，从而获取各频段的重要特征
。
[0020]作为上述技术方案的改进，由于
IMF1
到
IMF3
的波动性相对较强，反映序列中随机变化的信息，其余
IMF
分量频率依次降低，体现出来较强的周期性信息，而残差分量则反映了一种长期趋势
。
因此，根据筛选的特征分量，使用深度学习模型进行价格预测，是通过为各频段建立对应不同的深度学习模型，每个深度学习模型输出的预测结果反归一化后进行线性叠加，得到商品价格最终预测值
。
在这种改进方式下，一种实施方式为：
[0021]对于高频和中频的序列，先运用
CNN
充分挖掘局部序列中的潜藏特征，再连接
LSTM
进行价格预测；
[0022]对于低频序列和残差序列，直接使用
LSTM
进行价格预测
。
[0023]在上述技术方案中，深度学习模型采用贝叶斯优化和网格搜索对参数进行调节
。
[0024]为了提高数据的有效性和预测的准确性，作为上述技术方案的改进，在大宗商品历史价格序列中，对于数据中缺失的部分，采用线性插值的方法对缺失值进行填补，以提高序列的长度和完整性，从而提高预测的可靠性
。
线性插值还可以用删除法
、
均数填补法
、
极大似然估计法等代替
。
[0025]为了提高数据的有效性和预测的准确性，作为上述技术方案的改进，对输入深度学习模型的数据进行归一化处理，并在数据归一化后用滑动窗口法将数据集重构
。
[0026]为了度量或评估预测的准确度，作为上述技术方案的改进，所述方法使用决定系数反映预测值与实际值间的相关性，取值范围在0到1之间，其值越趋近于1代表预测效果越好
。
在一些实施方式中，还使用了均方根误差
、
平均绝对百分误差反映预测值与实际值间的差异
。
[0027]第二方面，本专利技术基于上述方法实现了相应的系统，提出了一种基于深度学习的大宗商本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的大宗商品价格预测方法，其特征在于，所述方法包括下述步骤：基于与大宗商品价格相关性最大的
n
个影响因素和大宗商品历史价格序列，获取各自的时间尺度特征并组合成特征向量，对特征向量进行分量特征筛选；
n
为设定值；根据筛选的特征分量，使用深度学习模型进行价格预测
。2.
根据权利要求1所述的方法，其特征在于，基于与大宗商品价格相关性最大的
n
个影响因素和大宗商品历史价格序列，获取各自的时间尺度特征，并对时间尺度特征进行特征筛选，包括：将相关系数最大的前
n
项影响因素通过
EMD
分解获得第一残差分量
、
若干第一
IMF
分量；对大宗商品的历史价格序列采用
EMD
进行分解，获得第二残差分量
、
若干第二
IMF
分量；按高
、
中
、
低三个频段各自设定的范围，将若干第一
IMF
分量
、
若干第二
IMF
分量进行划分成高
、
中
、
低三个频段；对高
、
中
、
低三个频段以及残差频段，将相同频段的价格序列与特征分解出的分量组合为特征向量；对特征向量，利用
Lasso
算法将不重要分量的系数收缩到0，从而获取各频段的重要特征
。3.
根据权利要求2所述的方法，其特征在于，根据筛选的特征分量，使用深度学习模型进行价格预测，包括：为各频段建立对应不同的深度学习模型，每个深度学习模型输出的预测结果反归一化后进行线性叠加，得到商品价格最终预测值
。4.
根据权利要求3所述的方法，其特征在于，为各频段建立对应不同的深度学习模型，包括：对于高频和中频的序列，先运用
CNN
充分挖掘局部序列中的潜藏特征，再连接
LSTM
进行价格预测；对于低频序列和残差序列，直接使用
LSTM
进行价格预测
。5.
根据权利要求1所述的方法，其特征在于，深度学习模型采用贝叶斯优化和网格搜索对参数进行调节；对于输入的大宗商品历史价格序列，若数据中存在缺失，采用线性插值的方法对缺失值进行填补，然后对输入深度学习模型的数据进行归一化处理，并在数据归一化后用滑动窗口法将数据集重构；对预测值，使用决定系数反映预测值与实际值间的相关性，取值范围在0到1之间，其值越趋近于1代表预测效果越好
。...

【专利技术属性】
技术研发人员：金鑫，宋安岳，杨虎，
申请(专利权)人：中央财经大学，
类型：发明
国别省市：