E-V-ALSTM模型的股价预测

针对股票价格非平稳、非线性、高复杂和随机波动等特性使其预测难度大的问题,提出一种基于E-V-ALSTM混合深度模型的股票价格预测方法。使用经验模态分解(EMD)对股票价格数据进行第一次分解,得到若干固有模态函数(IMFs)和一个残差(Res),降低了股票价格数据的非平稳性和非线性;使用样本熵(SampEn)对这些IMFs进行复杂性评估;将复杂度高于一定阈值的IMFs使用变分模态分解(VMD)进行二次分解,以降低股票价格数据的复杂性;通过加入注意力机制的长短期记忆神经网络(LSTM)模型进行预测,捕捉关键时间点特征信息,重新赋予权重,以解决股票价格数据的随机波动性,提升预测方法的精确度。对沪深300指数和德国DAX指数等数据集上的实验结果表明,该模型比其他对比模型能进一步提高股票价格预测的准确性。

基于改进BCCSA和深层LSTM的空气质量预测方法

现有的空气质量预测方法很少考虑季节性因素,且预测的效果不佳,因此提出一种基于改进二元混沌乌鸦搜索算法(Binary Chaotic Crow Search Algorithm,BCCSA)和深层长短期记忆神经网络(Long Short Term Memory,LSTM)的空气质量预测方法。首先提出季节调整的方法对收集的原始空气质量数据进行预处理,以消除季节对预测的影响;然后提出改进BCCSA,对空气质量数据进行优化处理;最后,将自注意力机制加入到深层LSTM中,对空气质量数据进行预测。实验结果表明,该方法能有效地提高空气质量的预测精度。

基于K-means算法的企业信用无监督分类研究

企业信用分类的应用,能够为商业银行降低信贷业务的风险,随着市场竞争的不断加剧,机器学习和大数据的应用,越来越多的计量方法不断革新,并广泛运用到信用分析领域。本文设计了一个基于K-means算法的企业信用无监督分类方法,通过对企业信息进行大数据分析,提取企业信用相关的内容,再使用K-means算法对企业数据进行聚类,对目标企业根据其聚类所在簇来评估信用等级,以此对企业的信用进行分类。