【技术实现步骤摘要】
本公开属于数据处理，尤其涉及一种碳酸锂价格预测方法、系统、存储介质及电子设备。
技术介绍
1、碳酸锂是企业生产电池重要材料之一，其价格波动会牵动产业的神经，因此企业在进行经营决策时，通常需要对碳酸锂价格进行预测分析。
2、现有技术中，碳酸锂的价格通常采用以下三种方式来进行预测：(1)基于统计学的分析；(2)基于微观层面的分析；(3)基于宏观层面的分析。
3、基于微观层面的分析基于与宏观层面的分析，能够定性的为企业提供调研分析报告，但没有具体的量化标准，仅提供分析视角且分析结果因人而异；基于统计学的分析，虽然能够提供量化标准，但其建模过程往往基于单一目标进行预测，而企业碳酸锂价格通常受到众多的因素影响。
4、综上，目前对碳酸锂价格进行预测存在缺少量化标准、预测精确度不足以及预测较为耗时的问题。
技术实现思路
1、为解决上述问题，本公开提供了一种碳酸锂价格预测方法、系统，采用注意力机制结合粒子群优化算法，能够使碳酸锂价格预测更加精准，并且省时省力。
2、本专利技术通过如下技术方案实现：
3、第一方面，本公开实施例提供了一种碳酸锂价格预测方法，所述碳酸锂价格预测方法包括：
4、采集碳酸锂的历史价格数据和实时价格数据；
5、预处理碳酸锂的所述历史价格数据和所述实时价格数据，得到时序数据集，并将所述时序数据集划分为训练集、验证集和测试集；
6、初始化粒子群优化算法的超参数，将所述时序数据集输入带有
7、计算粒子群优化算法中各粒子的适应度函数值，更新粒子的最佳位置信息以及粒子的位置和速度，确定全局最佳位置信息，得到粒子群优化算法的最佳超参数；
8、根据所述最佳超参数，训练带有注意力机制的时序预测基准模型，得到碳酸锂价格预测模型；
9、将实时的碳酸锂价格相关信息输入所述碳酸锂价格预测模型中，对当前碳酸锂的价格进行实时预测。
10、进一步的，
11、对碳酸锂的所述历史价格数据和所述实时价格数据进行野值剥除、缺失值填充、数据归一化和时序数据构建，得到所述时序数据集；
12、将所述时序数据集，根据数据时序和预设的比例，划分为训练集、验证集和训练集。
13、进一步的，
14、对时序数据集进行特征提取；其中，特征提取包括时序统计量特征提取、时间因素特征提取。
15、进一步的，
16、初始化粒子群的粒子数量n，以及每个粒子的初始位置，其中，所述初始位置x＝[x1,x2,...,xn]t；
17、在seq2seq模型构建注意力机制，将所述时序数据集输入带有注意力机制的seq2seq模型中进行预训练。
18、进一步的，
19、在主干网络lstm的encoder侧取出所有中间层输出经过矩阵运算后输入softmax函数获取attention值，计算方式如下：
20、atte＝softmax(w*outputs)；
21、其中，w表示注意力机制的权重，outputs表示encoder侧的所有输出，atte表示attention值；
22、在主干网络lstm的decoder侧的输入计算方式如下：
23、dec_input＝atte*enc_output+s；
24、其中，enc_output表示encoder侧最后一层输出，s表示decoder侧的隐藏状态，dec_input表示主干网络lstm的decoder侧的输入。
25、进一步的，
26、确定粒子群优化算法的惯性因子；
27、计算粒子群优化算法中每个粒子的适应度函数值；
28、更新粒子群优化算法中每个粒子的位置和速度；
29、判断是否符合预设的迭代终止条件，当符合预设的所述迭代终止条件时，确定所述全局最佳位置信息。
30、进一步的，
31、所述确定粒子群优化算法的惯性因子，计算方式如下：
32、
33、其中，wmin、wmax分别表示惯性因子w的最大值和最小值，t表示当前迭代步数，tmax表示最大迭代步数。
34、进一步的，
35、所述计算粒子群优化算法中每个粒子的适应度函数值，包括：将平均绝对百分比误差用作适应度函数值，采用平均绝对百分比误差的方式计算适应度函数值，计算方式如下：
36、
37、其中，y表示当前输入数据的标签，表示在当前粒子参数下模型的预测输出，m表示数据量大小，mape表示平均绝对百分比误差i为粒子群中的粒子数量，i的取值范围为0至m。
38、进一步的，
39、所述更新粒子群优化算法中每个粒子的位置和速度，计算方式如下：
40、
41、其中，w表示惯性因子，c1和c2表示常数，r1和r2表示随机数，t表示迭代次数，v表示速度，x表示位置，pi表示个体极值，pg表示群体极值，i为粒子群中的粒子数量，i的取值范围为0至m。
42、进一步的，
43、根据所述最佳超参数，训练带有注意力机制的时序预测基准模型，得到实验模型；
44、使用所述测试集测试所述实验模型预测碳酸锂价格的精确度，符合预设精确度时，该实验模型用作所述碳酸锂价格预测模型。
45、第二方面，本公开实施例还提供了一种碳酸锂价格预测系统，所述碳酸锂价格预测系统包括：数据采集模块、数据预处理模块、特征提取模块、模型处理模块、算法优化模块和预测输出模块；
46、所述数据采集模块，用于采集碳酸锂的历史价格数据和实时价格数据；
47、所述数据预处理模块，用于对碳酸锂的所述历史价格数据和所述实时价格数据进行预处理；
48、所述特征提取模块，用于对时序数据集进行特征提取；其中，特征提取包括时序统计量特征提取、时间因素特征提取；
49、所述模型处理模块，用于将所述时序数据集输入带有注意力机制的时序预测基准模型中进行预训练；
50、所述算法优化模块，用于执行粒子群优化算法，通过粒子群优化算法确定粒子群的全局最佳位置信息；
51、所述预测输出模块，用于使用所述全局最佳位置信息对应的最佳超参数，对带有注意力机制的时序预测基准模型进行训练，得到碳酸锂价格预测模型，并根据实时的碳酸锂价格相关信息预测当前的碳酸锂的价格。
52、第三方面，本公开实施例提供一种计算机可读存储介质，存储有一个或者多个程序，其中，
53、当该一个或者多个程序被执行时，可以实现上述任一项所述碳酸锂价格预测方法。
54、第四方面，本公开实施例提供一种电子设备，包括处理器、通信接口、上述的计算机可读存储介质和通本文档来自技高网...
【技术保护点】
1.一种碳酸锂价格预测方法，其特征在于，所述碳酸锂价格预测方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预处理碳酸锂的所述历史价格数据和所述实时价格数据，得到时序数据集，并将所述时序数据集划分为训练集、验证集和测试集，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述碳酸锂价格预测方法，还包括：
4.根据权利要求1所述的方法，其特征在于，所述初始化粒子群优化算法的超参数，将所述时序数据集输入带有注意力机制的时序预测基准模型中预训练，计算预训练后的模型在验证集上的均方差用作粒子群优化算法的适应度函数值，包括：
5.根据权利要求4所述的方法，其特征在于，所述在Seq2Seq模型构建注意力机制，包括：
6.根据权利要求1所述的方法，其特征在于，所述计算粒子群优化算法中各粒子的适应度函数值，更新粒子的最佳位置信息以及粒子的位置和速度，确定全局最佳位置信息，得到粒子群优化算法的最佳超参数，包括：
7.根据权利要求6所述的方法，其特征在于，所述确定粒子群优化算法的惯性因子，计算方式如下：
9.根据权利要求6所述的方法，其特征在于，所述更新粒子群优化算法中每个粒子的位置和速度，计算方式如下：
10.根据权利要求1所述的方法，其特征在于，所述根据所述最佳超参数，训练带有注意力机制的时序预测基准模型，得到碳酸锂价格预测模型，包括：
11.一种碳酸锂价格预测系统，其特征在于，所述碳酸锂价格预测系统包括：数据采集模块、数据预处理模块、特征提取模块、模型处理模块、算法优化模块和预测输出模块；
12.一种计算机可读存储介质，存储有一个或者多个程序，其特征在于，
13.一种电子设备，包括处理器、通信接口、权利要求12所述的计算机可读存储介质和通信总线；其中，处理器、通信接口、计算机可读存储介质通过通信总线相互间的通信；
...【技术特征摘要】
1.一种碳酸锂价格预测方法，其特征在于，所述碳酸锂价格预测方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预处理碳酸锂的所述历史价格数据和所述实时价格数据，得到时序数据集，并将所述时序数据集划分为训练集、验证集和测试集，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述碳酸锂价格预测方法，还包括：
4.根据权利要求1所述的方法，其特征在于，所述初始化粒子群优化算法的超参数，将所述时序数据集输入带有注意力机制的时序预测基准模型中预训练，计算预训练后的模型在验证集上的均方差用作粒子群优化算法的适应度函数值，包括：
5.根据权利要求4所述的方法，其特征在于，所述在seq2seq模型构建注意力机制，包括：
6.根据权利要求1所述的方法，其特征在于，所述计算粒子群优化算法中各粒子的适应度函数值，更新粒子的最佳位置信息以及粒子的位置和速度，确定全局最佳位置信息，得到粒子群优化算法的最佳超参数，包括：
7.根据权利要求6所述的方法，其特征在于，所述确...
【专利技术属性】
技术研发人员：张伟，曹险峰，李兴硕，
申请(专利权)人：合肥国轩高科动力能源有限公司，
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。