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

本发明专利技术公开了一种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

【技术实现步骤摘要】
一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备


[0001]本专利技术属于价格预测
，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。

技术介绍

[0002]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。因此本专利技术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。

技术实现思路

[0003]为了解决现有技术中存在的问题，本专利技术提供一种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。
[0004]一种LSTM模型和seq2seq模型的水果价格预测方法，包括以下步骤：
[0005]采集测试时间段内的相关影响因子的数据集；
[0006]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；
[0007]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。
[0008]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：
[0009][0010]式中：为归一化处理后的数据，X
i
为采集的数据，X
mean
为单个指数内的均值，X
t
为单个指标内所有值的标准差。
[0011]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：
[0012]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；
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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：
[0019]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。
[0020]本专利技术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。
[0021]本专利技术还提供一种计算设备，包括：
[0022]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。
[0023]与现有技术相比，本专利技术至少具有以下有益效果：
[0024]本专利技术提供一种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，本专利技术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。
[0025]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。
[0026]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。
[0027]进一步的，本专利技术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，且本专利技术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。
[0028]进一步的，本专利技术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
[0029]图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：式中：为归一化处理后的数据，X
i
为采集的数据，X
mean
为单个指数内的均值，X
t
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...

【专利技术属性】
技术研发人员：边根庆，张轶翔，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：