第圖2-8oh圖2-SEQ圖2-\*ARABIC8輸出門(mén)示意圖1.4LSTM模型建模步驟LSTM模型的標(biāo)準(zhǔn)建模步驟如下：數(shù)據(jù)標(biāo)準(zhǔn)化處理標(biāo)準(zhǔn)化處理的目的為消除量綱。如果輸入為多特征變量，當(dāng)特征變量之間分布不均勻，如方差或均值差異較大時(shí)，最終模型預(yù)測(cè)會(huì)更多的參考量綱較大的特征變量，從而忽視掉量綱較小的特征變量對(duì)模型的真實(shí)影響，影響模型準(zhǔn)確度。本文主要采用最大最小值標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，此方法可以將原始數(shù)據(jù)縮放到[0,1]之間，具體轉(zhuǎn)換公式如下：X模型結(jié)構(gòu)與參數(shù)調(diào)節(jié)模型結(jié)構(gòu)模型結(jié)構(gòu)的關(guān)鍵在于隱藏層的設(shè)置，隱藏層越多，對(duì)數(shù)據(jù)的學(xué)習(xí)能力越強(qiáng)，但是同時(shí)也很容易造成過(guò)擬合，此外過(guò)多的隱藏層也大大增加了計(jì)算成本。本文所使用LSTM模型結(jié)構(gòu)是一層輸入層、一層LSTM層、一層輸出層。同時(shí)選擇sigmoid函數(shù)與tanh函數(shù)分別作為門(mén)控單元激活函數(shù)與記憶單元激活函數(shù)；損失函數(shù)選擇常用的均方誤差損失函數(shù)；優(yōu)化器選擇Adam優(yōu)化器，因?yàn)槠渚哂泻軓?qiáng)的自適應(yīng)性，具有高效低內(nèi)存的特點(diǎn)。參數(shù)調(diào)節(jié)模型效果的關(guān)鍵在于超參數(shù)的調(diào)節(jié)，設(shè)定好評(píng)價(jià)指標(biāo)，根據(jù)不同超參數(shù)的組合表現(xiàn)，選擇最優(yōu)參數(shù)組合作為模型參數(shù)。本文以RMSE3.1、MAE3.2、MAPE3.3作為模型評(píng)價(jià)標(biāo)準(zhǔn)，誤差越小模型效果越好。調(diào)整超參數(shù)的方法是固定參數(shù)法，先固定其他參數(shù)，對(duì)單一參數(shù)進(jìn)行調(diào)節(jié)，獲得最優(yōu)參數(shù)取值后重復(fù)上述步驟，然后對(duì)其他參數(shù)進(jìn)行調(diào)節(jié)，直至所有參數(shù)調(diào)節(jié)完畢，最終的最優(yōu)參數(shù)組合即為模型最優(yōu)參數(shù)。主要需要調(diào)節(jié)的超參數(shù)共有4個(gè)，分別是time_step、epochs、batch_size、units。其含義如下：time_step：原始數(shù)據(jù)的切片長(zhǎng)度，因現(xiàn)實(shí)意義需向前滾動(dòng)預(yù)測(cè)，故本文所用步長(zhǎng)為正數(shù)N，即用過(guò)去N天的數(shù)據(jù)預(yù)測(cè)未來(lái)一天。epochs：全量數(shù)據(jù)的迭代次數(shù)。batch_size：?jiǎn)未蔚幸獙?duì)全量數(shù)據(jù)進(jìn)行梯度下降求最優(yōu)解，其過(guò)程是按照批次來(lái)進(jìn)行計(jì)算的，每一批計(jì)算的樣本數(shù)量我們稱(chēng)為batch_size。不宜過(guò)大也不宜過(guò)小，一般將其設(shè)置為2nunits：隱藏層神經(jīng)元個(gè)數(shù)。模型預(yù)測(cè)與結(jié)果分析查看模型在驗(yàn)證集數(shù)據(jù)上的預(yù)測(cè)效果，利用訓(xùn)練好的模型對(duì)原油期貨價(jià)格日度數(shù)據(jù)進(jìn)行預(yù)測(cè)，并根據(jù)評(píng)價(jià)指標(biāo)計(jì)算預(yù)測(cè)值與真實(shí)值之間的誤差。其中如果對(duì)原始數(shù)據(jù)進(jìn)