[发明专利]一种外汇时间序列预测的训练优化方法在审
| 申请号： | 201911035241.9 | 申请日： | 2019-10-29 |
| 公开（公告）号： | CN110751562A | 公开（公告）日： | 2020-02-04 |
| 发明（设计）人： | 张金泉;李玉洁;倪丽娜;李信诚;张福新 | 申请（专利权）人： | 山东科技大学 |
| 主分类号： | G06Q40/04 | 分类号： | G06Q40/04;G06N3/04;G06N3/08 |
| 代理公司： | 37252 青岛智地领创专利代理有限公司 | 代理人： | 陈海滨 |
| 地址： | 266590 山东*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种外汇时间序列预测的训练优化方法，具体涉及外汇时间序列数据领域。该训练优化方法使用卷积神经网络和长短期记忆网络相结合的深度学习算法C‑LSTM，分析预测外汇时间序列数据，对构建的外汇时间序列预测方法进行优化。该训练优化方法首先基于主成分分析法构建了输入特征优化算法，通过对比不同特征值组合选定最优的输入特征，然后实验分析并优化滞后期数，基于网格搜索算法的思想，优化网络结构，最后使用GPU高性能计算技术加速网络的训练，最终构建了高精度的外汇时间序列预测的训练优化方法。 | ||
| 搜索关键词： | 优化 时间序列预测 构建 时间序列数据 输入特征 高性能计算技术 卷积神经网络 主成分分析法 方法使用 记忆网络 加速网络 实验分析 网格搜索 网络结构 学习算法 优化算法 滞后期 算法 预测 分析 | ||
【主权项】：
1.一种外汇时间序列预测的训练优化方法，其特征在于，包括以下步骤：/n从输入特征、网络结构和训练方法三个方面对构建的基于卷积神经网络和长短期记忆网络相结合的C-LSTM的外汇时间序列预测方法进行训练优化，训练优化项目包括：/n主成分分析的特征优化；/n卷积神经网络和长短期记忆网络相结合的C-LSTM滞后期数优化；/n卷积神经网络和长短期记忆网络相结合的C-LSTM网络结构优化；/n卷积神经网络和长短期记忆网络相结合的C-LSTM训练方法优化；/n基于GPU的并行优化；/n输入特征方面，选取18个指标数据作为输入特征，18个指标数据分为四大类：基本交易数据、技术指标数据、美元指数和国家经济指标，将这四类指标进行组合，并基于主成分分析法进行输入特征的优化，研究不同指标对预测精度的影响并选取最佳的输入特征，然后实验研究滞后期数对预测精度的影响，从而选择最佳的滞后期数；/n网络结构方面，根据网格搜索算法研究最佳的隐藏层结构大小，通过改变不同的卷积神经网络和长短期记忆网络的结合方式，研究不同的算法结合方式对预测精度的影响，选择最佳的隐藏层大小和算法结合方式；/n训练方法方面，采用Adam、SGD以及RMSProp方法进行网络的训练，通过对比训练后的算法预测精度以及在训练过程中，损失函数随迭代次数的变化情况和收敛速度，研究不同的训练方法对训练效果和预测精度的影响，最终选择合适的训练方法。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于山东科技大学，未经山东科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201911035241.9/，转载请声明来源钻瓜专利网。
- 上一篇：信用合约创建方法以及装置
- 下一篇：一种新的区块链共识机制
