CN115619449A - 基于深度学习模型的化肥价格预测方法、设备及存储介质 - Google Patents
基于深度学习模型的化肥价格预测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115619449A CN115619449A CN202211395756.1A CN202211395756A CN115619449A CN 115619449 A CN115619449 A CN 115619449A CN 202211395756 A CN202211395756 A CN 202211395756A CN 115619449 A CN115619449 A CN 115619449A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- learning model
- network
- fertilizer price
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于深度学***台,从平台上下载原始数据;数据预处理:如处理缺失值、数据标准化、特征选取等,并将原始数据转换为有监督学***台,在平台上显示未来若干个周期的化肥价格。
Description
技术领域
本发明涉及化肥价格预测技术领域,具体的是基于深度学习模型的化肥价格预测方法、设备及存储介质。
背景技术
化肥是农业生产中最重要的生产资料之一,目前,国内农民用于化肥的支出占亩均生产总费用的比重达到了36.4%。化肥价格的过大波动可能会降低农户施肥的积极性,减少化肥的使用,进而影响农作物的产量、土壤肥效和农产品的质量。这不仅会降低农民的收入,而且还会对我国的农业生产产生不利影响,降低我国农产品在国际经济中的竞争能力。现有的方法很难综合多个方面去提高化肥价格预测的精度,为此,现在提出基于深度学习模型的化肥价格预测方法,来解决目前化肥价格预测精度不够高的问题。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供基于深度学习模型的化肥价格预测方法,
本发明的目的可以通过以下技术方案实现:基于深度学习模型的化肥价格预测方法,方法包括以下步骤:
获取原始数据;
对原始数据进行预处理,包括处理缺失值、数据标准化和特征选取,然后将预处理后的原始数据转换为有监督学习需要的数据,并将有监督学习需要的数据划分为训练集和测试集;
使用基于注意力机制的双向长短期记忆网络A-Bi-LSTM搭建深度学习模型;
在训练集上训练基于注意力机制的双向长短期记忆网络,随机初始化基于注意力机制的双向长短期记忆网络权重矩阵,并使用反向传播算法更新基于注意力机制的双向长短期记忆网络权重矩阵,将测试集输入到深度学习模型中,绘制预测曲线,得出预测结果,通过对比实验来修改模型训练批次、学习率和梯度下降算法的超参数,比较实验结果,获取最优的模型超参数和最优的网络权重矩阵;
将深度学***台,在中国化肥价格大数据平台上显示未来若干个周期的化肥价格。
优选地,所述处理缺失值的过程如下:
统计缺失值,对于缺失值较多的特征,则直接将区间数据删除;对于只有少量缺失值的特征,拟采用平均值插值法将数据补全。
优选地,所述数据标准化的过程如下:
采用最大最小标准化的方法来进行数据归一化,公式如下:
其中,xnorm表示经过归一化后的数据,x表示原始正常时长数据,xmin表示原始正常时长数据中的最小值,xmax表示原始正常时长数据中的最大值。
优选地,所述将预处理后的原始数据转换为有监督学习需要的数据的过程包括:
原始数据属于多元时间序列,即每个时间节点包含两个或更多变量的数据集,使用滑动窗口法对原始数据进行处理,并进行单步预测,将原始数据转化为有监督学习需要的数据。
优选地,所述将原始数据转化为有监督学习需要的数据的过程包括:
收集每个周期内的化肥价格数据,构建输入数据集Xinput∈RN×T×d,输出数据集Xoutput∈RN×S,其中,N为数据集的大小,T为输入的时间步,S为预测的时间步,即以T天的数据预测未来S天的数据,d为输入数据的维度。
优选地,所述搭建深度学习模型的过程如下:
使用基于注意力机制的双向长短期记忆网络A-Bi-LSTM,在每个时间步上使用注意力机制来充分提取每个时间步上的信息,最后按照权重相加得到输出,得到的输出与真实值相比较,计算损失,并反向传播更新参数。
优选地,所述获取最优的模型参数的过程包括以下步骤:
针对基于注意力机制的双向长短期记忆网络预测精度的优化,增加网络的深度或者修改网络增加复杂性,提高深度学习模型的非线性拟合能力;
在增加网络深度后,对每层LSTM网络后增加Dropout层,并适当调整参数使得深度学习模型预测精度达到最优。
优选地,所述深度学习模型是通过反向传播算法来计算损失,更新网络的权重矩阵,梯度下降算法会影响网络收敛的速度,针对网络预测效率的优化,使用不同的梯度下降算法并做出比较,给出最优结果。
优选地,一种设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个所述程序被一个或多个所述处理器执行,使得一个或多个所述处理器实现如上所述的基于深度学习模型的化肥价格预测方法。
优选地,一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上所述的基于深度学习模型的化肥价格预测方法。
本发明的有益效果:
本发明使用基于注意力机制的双向长短期记忆网络(A-Bi-LSTM);训练网络并优化参数:通过对比实验,修改如训练批次、学***台,在平台上显示未来若干个周期的化肥价格。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图;
图1是本发明的流程图;
图2是本发明的A-Bi-LSTM网络结构图;
图3是本发明的预测结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1-2所示,基于深度学习模型的化肥价格预测方法,方法包括以下步骤:
获取原始数据;
对原始数据进行预处理,包括处理缺失值、数据标准化和特征选取,然后将预处理后的原始数据转换为有监督学习需要的数据,并划分为训练集和测试集;
使用基于注意力机制的双向长短期记忆网络A-Bi-LSTM搭建深度学***均绝对误差(MeanAbsolute Error,MAE)、均方根误差(Root Mean Squard Error,RMSE)、决定系数(R2)分别为0.0084、0.011、0.988;绘制预测曲线,如图3所示;
在训练集上训练基于注意力机制的双向长短期记忆网络,随机初始化基于注意力机制的双向长短期记忆网络权重矩阵,并使用反向传播算法更新基于注意力机制的双向长短期记忆网络权重矩阵,将测试集输入到深度学习模型中,绘制预测曲线,得出预测结果,通过对比实验来修改模型训练批次、学习率和梯度下降算法的超参数,比较实验结果,获取最优的模型超参数和最优的网络权重矩阵
将深度学***台,在中国化肥价格大数据平台上显示未来若干个周期的化肥价格。
需要进行说明的是,所述处理缺失值的过程如下:
统计缺失值,对于缺失值较多的特征,则直接将区间数据删除;对于只有少量缺失值的特征,拟采用平均值插值法将数据补全。
需要进行说明的是,在具体实施过程中,所述数据标准化的过程如下:
采用最大最小标准化的方法来进行数据归一化,公式如下:
其中,xnorm表示经过归一化后的数据,x表示原始正常时长数据,xmin表示原始正常时长数据中的最小值,xmax表示原始正常时长数据中的最大值。
需要进行说明的是,在具体实施过程中,所述将预处理后的原始数据转换为有监督学习需要的数据的过程包括:
原始数据属于多元时间序列,即每个时间节点包含两个或更多变量的数据集,使用滑动窗口法对原始数据进行处理,并进行单步预测,将原始数据转化为有监督学习需要的数据。
需要进行说明的是,在具体实施过程中,所述将原始数据转化为有监督学习需要的数据的过程包括:
收集每个周期内的化肥价格数据,构建输入数据集Xinput∈RN×T×d,输出数据集Xoutput∈RN×S,其中,N为数据集的大小,T为输入的时间步,S为预测的时间步,即以T天的数据预测未来S天的数据,d为输入数据的维度。
需要进行说明的是,在具体实施过程中,所述搭建深度学习模型的过程如下:
使用基于注意力机制的双向长短期记忆网络A-Bi-LSTM,并在每个时间步上使用注意力机制来充分提取每个时间步上的信息,最后按照权重相加得到输出,得到的输出与真实值相比较,计算损失,并反向传播更新参数。
需要进行说明的是,在具体实施过程中,所述获取最优的模型参数的过程包括以下步骤:
针对基于注意力机制的双向长短期记忆网络预测精度的优化,增加网络的深度或者修改网络增加复杂性,提高深度学习模型的非线性拟合能力;
在增加网络深度后,对每层LSTM网络后增加Dropout层,并适当调整参数使得深度学习模型预测精度达到最优。
需要进行说明的是,在具体实施过程中,所述深度学习模型是通过反向传播算法来计算损失,更新网络的权重矩阵,梯度下降算法会影响网络收敛的速度,针对网络预测效率的优化,使用不同的梯度下降算法并做出比较,给出最优结果。
基于同一种发明构思,本发明还提供一种计算机设备,该计算机设备包括包括:一个或多个处理器,以及存储器,用于存储一个或多个计算机程序;程序包括程序指令,处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其用于实现一条或一条以上指令,具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是,基于同一种发明构思,本发明还提供一种计算机存储介质,该存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电、磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解,本公开不受上述实施例的限制,上述实施例和说明书中描述的只是说明本公开的原理,在不脱离本公开精神和范围的前提下,本公开还会有各种变化和改进,这些变化和改进都落入要求保护的本公开范围内容。
Claims (10)
1.基于深度学习模型的化肥价格预测方法,其特征在于,方法包括以下步骤:
获取原始数据;
对原始数据进行预处理,包括处理缺失值、数据标准化和特征选取,然后将预处理后的原始数据转换为有监督学习需要的数据,并将有监督学习需要的数据划分为训练集和测试集;
使用基于注意力机制的双向长短期记忆网络A-Bi-LSTM搭建深度学习模型;
在训练集上训练基于注意力机制的双向长短期记忆网络,随机初始化基于注意力机制的双向长短期记忆网络权重矩阵,并使用反向传播算法更新基于注意力机制的双向长短期记忆网络权重矩阵,将测试集输入到深度学习模型中,绘制预测曲线,得出预测结果,通过对比实验来修改模型训练批次、学习率和梯度下降算法的超参数,比较实验结果,获取最优的模型超参数和最优的网络权重矩阵;
将深度学***台,在中国化肥价格大数据平台上显示未来若干个周期的化肥价格。
2.根据权利要求1所述的基于深度学习模型的化肥价格预测方法,其特征在于,所述处理缺失值的过程如下:
统计缺失值,对于缺失值较多的特征,则直接将区间数据删除;对于只有少量缺失值的特征,拟采用平均值插值法将数据补全。
4.根据权利要求1所述的基于深度学习模型的化肥价格预测方法,其特征在于,所述将预处理后的原始数据转换为有监督学习需要的数据的过程包括:
原始数据属于多元时间序列,即每个时间节点包含两个或更多变量的数据集,使用滑动窗口法对原始数据进行处理,并进行单步预测,将原始数据转化为有监督学习需要的数据。
5.根据权利要求4所述的基于深度学习模型的化肥价格预测方法,其特征在于,所述将原始数据转化为有监督学习需要的数据的过程包括:
收集每个周期内的化肥价格数据,构建输入数据集Xinput∈RN×T×d,输出数据集Xoutput∈RN×S,其中,N为数据集的大小,T为输入的时间步,S为预测的时间步,即以T天的数据预测未来S天的数据,d为输入数据的维度。
6.根据权利要求1所述的基于深度学习模型的化肥价格预测方法,其特征在于,所述搭建深度学习模型的过程如下:
使用基于注意力机制的双向长短期记忆网络A-Bi-LSTM,在每个时间步上使用注意力机制来充分提取每个时间步上的信息,最后按照权重相加得到输出,得到的输出与真实值相比较,计算损失,并反向传播更新参数。
7.根据权利要求1所述的基于深度学习模型的化肥价格预测方法,其特征在于,所述获取最优的模型参数的过程包括以下步骤:
针对基于注意力机制的双向长短期记忆网络预测精度的优化,增加网络的深度或者修改网络增加复杂性,提高深度学习模型的非线性拟合能力;
在增加网络深度后,对每层LSTM网络后增加Dropout层,并适当调整参数使得深度学习模型预测精度达到最优。
8.根据权利要求7所述的基于深度学习模型的化肥价格预测方法,其特征在于,所述深度学习模型是通过反向传播算法来计算损失,更新网络的权重矩阵,梯度下降算法会影响网络收敛的速度,针对网络预测效率的优化,使用不同的梯度下降算法并做出比较,给出最优结果。
9.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个所述程序被一个或多个所述处理器执行,使得一个或多个所述处理器实现如权利要求1-8中任一所述的基于深度学习模型的化肥价格预测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的基于深度学习模型的化肥价格预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395756.1A CN115619449A (zh) | 2022-11-08 | 2022-11-08 | 基于深度学习模型的化肥价格预测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395756.1A CN115619449A (zh) | 2022-11-08 | 2022-11-08 | 基于深度学习模型的化肥价格预测方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115619449A true CN115619449A (zh) | 2023-01-17 |
Family
ID=84878989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211395756.1A Pending CN115619449A (zh) | 2022-11-08 | 2022-11-08 | 基于深度学习模型的化肥价格预测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619449A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307302A (zh) * | 2023-05-23 | 2023-06-23 | 西南交通大学 | 轨道不平顺动静态检测数据反演方法、***及存储介质 |
-
2022
- 2022-11-08 CN CN202211395756.1A patent/CN115619449A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307302A (zh) * | 2023-05-23 | 2023-06-23 | 西南交通大学 | 轨道不平顺动静态检测数据反演方法、***及存储介质 |
CN116307302B (zh) * | 2023-05-23 | 2023-07-25 | 西南交通大学 | 轨道不平顺动静态检测数据反演方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | House price forecasting with neural networks | |
Zhang et al. | Wind speed forecasting based on quantile regression minimal gated memory network and kernel density estimation | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN112365033B (zh) | 一种风电功率区间预测方法、***及存储介质 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN115660233A (zh) | 光伏功率预测方法、装置、电子设备及存储介质 | |
CN112396225A (zh) | 一种基于长短期记忆网络的短期电价预测方法 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN113610328A (zh) | 一种发电负荷预测方法 | |
WO2020228568A1 (zh) | 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练***和预测***及存储介质 | |
CN113033903A (zh) | 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备 | |
CN115619449A (zh) | 基于深度学习模型的化肥价格预测方法、设备及存储介质 | |
CN110738363B (zh) | 一种光伏发电功率预测方法 | |
Jiang et al. | A short-term wind power prediction approach based on ensemble empirical mode decomposition and improved long short-term memory | |
CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
Sang et al. | Ensembles of gradient boosting recurrent neural network for time series data prediction | |
CN114399101A (zh) | 基于tcn-bigru的燃气负荷预测方法和装置 | |
CN114330815A (zh) | 一种基于改进goa优化lstm的超短期风电功率预测方法与*** | |
WO2024164434A1 (zh) | Dcs***中反应堆堆芯热功率测量方法与装置 | |
CN117134315A (zh) | 一种基于bert算法的配电变压器负荷预测方法及装置 | |
CN116402194A (zh) | 一种基于混合神经网络的多时间尺度负荷预测方法 | |
CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN113962431B (zh) | 一种两阶段特征处理的母线负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |