LSTM নেটওয়ার্কের উপর ভিত্তি করে ক্রীড়া সামগ্রীর খুচরা মূল্যের পূর্বাভাস

দ্রব্যমূল্য অর্থনীতিকে নিয়ন্ত্রণে লিভার হিসেবে অনন্য ভূমিকা পালন করে। মূল্য পূর্বাভাস ম্যাক্রো সিদ্ধান্ত গ্রহণ এবং মাইক্রোম্যানেজমেন্টের একটি গুরুত্বপূর্ণ অংশ। যেহেতু পণ্যের মূল্যকে প্রভাবিত করে এমন অনেকগুলি কারণ রয়েছে, তাই মূল্যের পূর্বাভাস গবেষণার জন্য উপযোগী হয়ে উঠেছে। টাইম সিরিজ ব্যতীত অন্যান্য কারণগুলির দ্বারা মূল্য ডেটা প্রভাবিত হয় এমন বৈশিষ্ট্য অনুসারে, দীর্ঘমেয়াদী এবং স্বল্প-মেয়াদী মেমরি নেটওয়ার্ক (LSTM) গভীর শিক্ষার অ্যালগরিদমের উপর ভিত্তি করে অ্যামাল্টিফ্যাক্টর LSTM মূল্য পূর্বাভাস পদ্ধতি প্রস্তাব করা হয়েছে।

সময়ের ক্রম এবং স্মৃতি অবিচ্ছেদ্য। টাইম সিরিজ হল সময়ের বিকাশের একটি নিয়মিত উপস্থাপনা, এবং স্মৃতি মানুষের সবচেয়ে গুরুত্বপূর্ণ ক্ষমতাগুলির মধ্যে একটি। এটি আমাদের অতীত অভিজ্ঞতা মনে রাখতে, ভবিষ্যতের প্রবণতা ভবিষ্যদ্বাণী করতে এবং সঠিক সিদ্ধান্ত নিতে সাহায্য করতে পারে।

টাইম সিরিজ আমাদের পরিবেশগত পরিবর্তন এবং প্রবণতা আরও ভালভাবে বুঝতে সাহায্য করতে পারে, যা সঠিক সিদ্ধান্ত নিতে এবং ভবিষ্যতের জন্য পরিকল্পনা করার জন্য আমাদের জন্য অত্যন্ত গুরুত্বপূর্ণ। টাইম সিরিজের নিয়মিততার কারণে, যখন আমরা কিছু গুরুত্বপূর্ণ টাইম সিরিজ বিশ্লেষণ করি, তখন আমরা একটি ইভেন্ট বা প্রবণতার বিকাশের দিকটি আগে থেকেই অনুমান করতে পারি। এই ভবিষ্যদ্বাণীগুলি আমাদেরকে আরও ভালভাবে পরিকল্পনা করতে এবং এইভাবে আরও লক্ষ্যযুক্ত সিদ্ধান্ত নিতে সাহায্য করতে পারে।

একই সঙ্গে স্মৃতিশক্তিও খুবই গুরুত্বপূর্ণ। আমাদের স্মৃতি আমাদের অতীতের সাফল্য এবং ব্যর্থতা সহ অতীত ঘটনাগুলি স্মরণ করতে সাহায্য করে। একই রকম পরিস্থিতির সম্মুখীন হলে, আমরা অতীতের অভিজ্ঞতাগুলো স্মরণ করে আরও সঠিক সিদ্ধান্ত নিতে পারি। উপরন্তু, মেমরি আমাদের ভবিষ্যতের প্রবণতা ভবিষ্যদ্বাণী করতে সাহায্য করতে পারে। অনুরূপ ইভেন্টগুলির তুলনা করে, আমরা ইভেন্টগুলির বিকাশের ধরণগুলি আরও ভালভাবে বুঝতে পারি এবং ভবিষ্যতের বিকাশের পূর্বাভাস দিতে পারি।

অতএব, সময় সিরিজ এবং স্মৃতির সংমিশ্রণ আমাদের পরিবেশ এবং প্রবণতাগুলির পরিবর্তনগুলি আরও ভালভাবে বুঝতে এবং ভবিষ্যতের বিকাশের দিকনির্দেশগুলি আরও সঠিকভাবে ভবিষ্যদ্বাণী করতে সহায়তা করতে পারে। তারা আমাদের ভবিষ্যতের জন্য আরও ভাল পরিকল্পনা করতে এবং সঠিক সিদ্ধান্ত নিতে সাহায্য করতে পারে। একই সময়ে, এটি আমাদের ব্যক্তিগত বৃদ্ধি এবং বিকাশে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে। আমাদের উচিত সময় ক্রম এবং মেমরির শেখার এবং বোঝার ক্ষমতা জোরদার করা। দেখা যায় আমাদের স্মৃতিশক্তি উন্নত করতে হবে। Cistanche deserticola উল্লেখযোগ্যভাবে স্মৃতিশক্তি উন্নত করতে পারে, কারণ Cistanche deserticola নিউরোট্রান্সমিটারের ভারসাম্য নিয়ন্ত্রণ করতে পারে, যেমন অ্যাসিটাইলকোলিনের মাত্রা বৃদ্ধি এবং বৃদ্ধির কারণগুলি। এই পদার্থগুলি স্মৃতি এবং শেখার জন্য অপরিহার্য। এছাড়াও, মাংস রক্ত ​​​​প্রবাহকে উন্নত করতে পারে এবং অক্সিজেন সরবরাহকে উন্নীত করতে পারে, যা নিশ্চিত করতে পারে যে মস্তিষ্ক পর্যাপ্ত পুষ্টি এবং শক্তি পায়, এইভাবে মস্তিষ্কের জীবনীশক্তি এবং সহনশীলতা উন্নত করে।

মস্তিষ্কের কার্যকারিতা উন্নত করার উপায়গুলি জানুন ক্লিক করুন

এই পদ্ধতিটি শুধুমাত্র ঐতিহাসিক ডেটাতে LSTM-এর মেমরিকে ব্যবহার করে না বরং সম্পূর্ণ সংযোগ স্তরের মাধ্যমে মূল্যের উপর বাহ্যিক কারণগুলির প্রভাবও প্রবর্তন করে, যা মূল্য পূর্বাভাসের সমস্যা সমাধানের জন্য একটি নতুন ধারণা প্রদান করে। BP নিউরাল নেটওয়ার্কের সাথে তুলনা করে, পরীক্ষামূলক ফলাফলগুলি দেখায় যে এই পদ্ধতিটি উচ্চতর নির্ভুলতা এবং ভাল স্থিতিশীলতা রয়েছে৷ পণ্যের বিবরণ এবং পণ্যের দামের বৈশিষ্ট্যগুলি বিশ্লেষণ করুন, লক্ষ্য পণ্যের অনুরূপ পণ্যগুলি বের করুন, অনুরূপ পণ্যগুলির ঐতিহাসিক মূল্য ডেটা ব্যবহার করে পণ্য মূল্যের ডেটা সম্পূর্ণ করুন এবং প্রশিক্ষণ প্রতিষ্ঠা করুন৷ প্রস্তাবিত পদ্ধতির বৈধতা যাচাই করার জন্য সেট করা হয়েছে।

1। পরিচিতি

পণ্য বাজারের ই মার্কেট স্কেল দিন দিন প্রসারিত হচ্ছে, ট্রেডিং জাতগুলি আরও ধনী এবং ধনী হচ্ছে, এবং ট্রেডিং মেকানিজম আরও বেশি মানসম্মত হয়ে উঠছে। পণ্যবাজারের বিকাশের পর থেকে এটি একটি গুরুত্বপূর্ণ 'আর্থিক সাবমার্কেট' হয়ে উঠেছে। বাজারে ইপ্রিস সিগন্যাল ছড়িয়ে পড়া এন্টারপ্রাইজ উত্পাদন, আন্তর্জাতিক বাণিজ্য এবং অর্থনীতি নিয়ন্ত্রণে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে [1]। চীনের কমোডিটি এক্সচেঞ্জগুলিও বহু বছরের অপারেশন এবং উন্নয়নে সমৃদ্ধ বাজারের তথ্য সংগ্রহ করেছে।

গবেষকরা বিভিন্ন পণ্যের লেনদেনের তথ্য সংগ্রহ, বাছাই এবং বিশ্লেষণ করে এবং তারপরে একই পণ্য সূচক যোগ ও সংকলন করে। এই সূচকগুলি প্রাসঙ্গিক পণ্যের মূল্যের সামগ্রিক অবস্থা এবং পণ্য অর্থনীতির বিকাশের প্রবণতাকে নির্দেশ করতে পারে এবং সরকারী কার্যকারী প্রতিষ্ঠানগুলিকে সামষ্টিক অর্থনীতির লেজ অবস্থা বুঝতে সাহায্য করতে পারে; একই সময়ে, প্রাসঙ্গিক উদ্যোগগুলিও পণ্যের সূচক তৈরি করতে চালের পণ্যের দামের তথ্য ব্যবহার করতে পারে। তাদের নিজস্ব ব্যবসায়িক সিদ্ধান্ত, ক্রয়কৃত পরিমাণকে যুক্তিসঙ্গতভাবে সাজান এবং অপ্রয়োজনীয় অর্থনৈতিক ক্ষতি হ্রাস করুন [2, 3]।

বাণিজ্যিক ক্রিয়াকলাপগুলি জাতীয় অর্থনীতিতে আরও এবং আরও গুরুত্বপূর্ণ অবস্থান দখল করে। বাণিজ্যিক আচরণ শুধুমাত্র আউটপুটের ক্ষেত্রে দেশীয় অর্থনীতিতে গুরুত্বপূর্ণ অবদান রাখে না বরং বাজার সম্পর্ক প্রজনন, বাজার ব্যবস্থার উন্নতি এবং শ্রম কর্মসংস্থানের সমস্যা সমাধানে গুরুত্বপূর্ণ ভূমিকা পালন করে [৪]। আজ, তথ্য প্রযুক্তির উচ্চ বিকাশের সাথে, ই-রিটেল কমার্স, একটি নতুন খুচরা পণ্য বিক্রয় মডেল হিসাবে, দ্রুত বিকাশ লাভ করেছে। লোকেরা ইন্টারনেটের মাধ্যমে হাজার হাজার পণ্যের তথ্য পেতে পারে এবং তাদের বাড়ির বাইরে না গিয়ে লেনদেনের জন্য সারা বিশ্বে পণ্য বিক্রেতাদের সাথে যোগাযোগ করতে পারে [5]।

ই-কমার্সের আবির্ভাব জনগণের জীবনযাত্রাকে ব্যাপকভাবে সহজতর করেছে, জনগণের ভোগ উদ্দীপনাকে উন্নীত করেছে এবং ভোক্তা বাজারের প্রাণশক্তি বাড়িয়েছে; ই-রিটেল কমার্সের বিকাশ ব্যবসায়িক বাজারের সমৃদ্ধিকে চালিত করেছে। কয়েক হাজার খুচরা পণ্য ইন্টারনেটে প্রদর্শিত এবং বিক্রি করা হয়, যা পণ্য বিক্রয়ের খরচ হ্রাস করে এবং বিক্রয়ের দক্ষতা উন্নত করে। একই সময়ে, যেহেতু ই-রিটেল কমার্স ইন্টারনেটের উপর নির্ভর করে, তাই তথ্য এবং ডেটা সংগ্রহ এবং সঞ্চয় করার ক্ষেত্রে এর প্রাকৃতিক সুবিধা রয়েছে। এন্টারপ্রাইজগুলি তথ্য প্রযুক্তির মাধ্যমে প্রচুর পরিমাণে ডেটা প্রাপ্ত করে। কিভাবে এই ডেটা মাইন করা যায় এবং মূল্যবান আইন খুঁজে বের করা যায়, এন্টারপ্রাইজের ব্যবসায়িক সিদ্ধান্ত নেওয়ার জন্য গাইড করা যায়, বিক্রয় মডেল উন্নত করা যায়, কার্যকর বিক্রয় কৌশল প্রণয়ন করা যায় এবং অবশেষে ই-কমার্স থেকে অর্থনৈতিক সুবিধা পাওয়া যায়। অনেক উদ্যোগ বাণিজ্যিক ডেটা মাইনিংয়ের দিকে বিনিয়োগ করতে শুরু করে এবং তাদের বাণিজ্যিক ডেটা মাইনিং স্কিমগুলি বিকাশ করে।

অনুসন্ধানমূলক ডেটা বিশ্লেষণ হল ডেটা বিশ্লেষণের একটি গুরুত্বপূর্ণ পর্যায়, যা প্রাথমিক ডেটা বিশ্লেষণ থেকে আলাদা। *প্রাথমিক তথ্য বিশ্লেষণের কেন্দ্রবিন্দু হল পরিসংখ্যানগত মডেল এবং অনুমান সনাক্তকরণের প্রয়োজনীয়তাগুলি নিশ্চিতকরণ বিশ্লেষণের নির্ভরযোগ্যতা নিশ্চিত করার জন্য পূরণ করা হয়েছে কিনা [6-8]। এই বিশ্লেষণ প্রক্রিয়ায়, অযোগ্য ডেটা অনুপস্থিত মান, ডেটা রূপান্তর, বহির্মুখী মান বাতিল করা এবং অন্যান্য প্রক্রিয়াকরণ বিশ্লেষণের নির্ভুলতা বাড়াতে পূর্ণ হয়। অনুসন্ধানমূলক ডেটা বিশ্লেষণে প্রাথমিক ডেটা বিশ্লেষণ অন্তর্ভুক্ত থাকে, তবে এর সূচনা বিন্দু শুধুমাত্র ডেটার গুণমান নির্ধারণই নয় বরং ডেটা বিতরণ (প্যাটেন) এর প্যাটার্নগুলি আবিষ্কার করা এবং ডেটা থেকে নতুন অনুমান প্রস্তাব করা। অনুসন্ধানমূলক ডেটা বিশ্লেষণকে ডেটা বিজ্ঞান কর্মপ্রবাহের একটি মূল পদক্ষেপ হিসাবে চিহ্নিত করা হয় যা একাধিক প্রক্রিয়াকে প্রভাবিত করতে পারে। চিত্র 1-এ দেখানো ডেটা সায়েন্স ওয়ার্কফ্লোতে, অনুসন্ধানমূলক ডেটা বিশ্লেষণ অন্যান্য প্রক্রিয়াগুলির সাথে ঘনিষ্ঠভাবে সম্পর্কিত।

প্রতিটি বেস মডেল ট্রেনিংসেটের ইনপুট ভেরিয়েবলকে আলাদাভাবে প্রশিক্ষণ দেয়। * মোটামুটি তত্ত্বাবধানে শিক্ষা, প্রতিটি বেস মডেল। একটি ওজনের গড় ব্যবহার করে প্রতিটি বেস মডেলের প্রশিক্ষণ সেটের পূর্বাভাসিত মানের জন্য একটি ওজন প্রতিষ্ঠিত হয় এবং তারপরে প্রতিষ্ঠিত ওজনের মানটি প্রতিটি বেস মডেলের পরীক্ষার সেটের পূর্বাভাসিত মানের সাথে বরাদ্দ করা হয় [9, 10]। পূর্বাভাস ওজন মান গুণন এবং বাধা গেটমডেল পরীক্ষার পূর্বাভাসিত মানগুলির সেট। চিত্র 2 মডেলটির নির্মাণ প্রবাহ এবং চিত্র দেখায়। চিত্র থেকে, আমরা জানি যে এতে প্রধানত ডেটা প্রিপ্রসেসিং, এবং একাধিক LSTM মডেলের একাধিক ভবিষ্যদ্বাণী ফলাফল অন্তর্ভুক্ত রয়েছে এবং ভবিষ্যদ্বাণী ফলাফলগুলি একাধিক পরামিতি ওজন করে একত্রিত এবং উন্নত করা হয়েছে।

স্পোর্টস পণ্যের প্রতিটি বেস মডেলের ওজনের মান বিশ্লেষণ করে, এটি পাওয়া যায় যে উচ্চতর ভবিষ্যদ্বাণী নির্ভুলতা সহ বেস মডেলের ওজন বেশি হওয়ার সম্ভাবনা বেশি। চিত্র 3 হল প্রযুক্তি রোডম্যাপ।

2. সম্পর্কিত কাজ

মূল্য ভবিষ্যদ্বাণী ঐতিহাসিক মূল্য এবং পণ্যের মূল্য প্রবণতা অনুসারে ভবিষ্যতের মূল্য পরিবর্তনের গতিশীল বিশ্লেষণের ভবিষ্যদ্বাণী আচরণকে বোঝায় [১১]। *ই [12] এর লেখকরা টাইম সিরিজ থেকে উচ্চ-গতির ট্রেন কম্পনের পূর্বাভাসের জন্য পুনরাবৃত্ত নিউরাল নেটওয়ার্ক মডেল ব্যবহার করেছেন এবং ভাল ফলাফল অর্জন করেছেন।

একটি সাধারণ সময় সিরিজ অ্যালগরিদমের বিকাশের সাথে, সাধারণ সময় সিরিজ বিশ্লেষণের প্রয়োগ ধীরে ধীরে প্রসারিত হচ্ছে। বর্তমানে সহজ সময় সিরিজ বিশ্লেষণ অ্যালগরিদম কৃষি মূল্য, শিল্প পণ্য মূল্য পূর্বাভাস, আর্থিক স্টক মূল্য পূর্বাভাস এবং অন্যান্য অনেক ক্ষেত্রে রয়েছে এর বিস্তৃত অ্যাপ্লিকেশন রয়েছে, ডেটা তথ্য বিশ্লেষণে কম ব্যবহৃত হওয়ার কারণে, একই সময়ে কম কার্যকর তথ্য। ইতিহাসের বিশ্লেষণ, ফলাফলের ভবিষ্যদ্বাণী করে যা এখনও সামাজিক উন্নয়নের চাহিদা পূরণ করতে পারে না।

সাধারণ সময় সিরিজের উপর ভিত্তি করে মূল্য পূর্বাভাস অ্যালগরিদমের গবেষণার অবস্থা: বিদ্যুতের দামের ওঠানামার পর্যায়ক্রমিকতা এবং ঋতু অনুযায়ী, মার্কজাজ এট আল। [13, 14]ভবিষ্যত বিদ্যুতের মূল্য পরিবর্তনের উপর ঋতুর প্রভাব বিশ্লেষণ করে এবং NARX নিউরাল নেটওয়ার্ক মডেল ব্যবহার করে বিদ্যুতের দামের পূর্বাভাস দিতে, যা ভাল ফলাফল অর্জন করেছে। ভাল ভবিষ্যদ্বাণী ফলাফল পেতে, [15] এর লেখকরা প্রধান উপাদান বিশ্লেষণ ব্যবহার করে গ্রাফ নিউরাল নেটওয়ার্কের ডিনোইসিং অ্যাগ্রিগেশন ডিজাইন করেছেন। ওয়াং এট আল। [16-18] স্ট্যাকড ডিনোইসিং অটোএনকোডারগুলির সাথে স্বল্পমেয়াদী বিদ্যুতের মূল্যের পূর্বাভাস অধ্যয়ন করেছেন, একটি হাইব্রিড পূর্বাভাস কাঠামোর গবেষণা এবং প্রয়োগ করেছেন এবং যথাক্রমে বায়ুর গুণমান সূচক দ্বি-ফেজডিকম্পোজিশন কৌশল এবং সংশোধিত চরম লার্নিং মেশিন (ELM) এর জন্য অভিনব হাইব্রিড মডেলের প্রস্তাব করেছেন। চং এট আল। [19, 20] স্টক মার্কেট বিশ্লেষণ এবং ভবিষ্যদ্বাণীর জন্য গভীর শিক্ষার নেটওয়ার্কগুলি অধ্যয়ন করেছেন এবং যথাক্রমে মেশিন লার্নিংয়ের মাধ্যমে অভিজ্ঞতামূলক সম্পদের মূল্য নির্ধারণ করেছেন। নিলাশী প্রমুখ। পরিবেশ-বান্ধব হোটেলগুলিতে গ্রাহক সিদ্ধান্ত নেওয়ার জন্য বড় সামাজিক ডেটা বিশ্লেষণের জন্য বিশ্লেষণাত্মক পদ্ধতি উপস্থাপন করেছেন এবং দুটি খোলা ডেটাসেটে প্রস্তাবিত সমাধান পরীক্ষা করেছেন [21]। উপরের কাজগুলি ছাড়াও, হোসেইনজাদে [২২] এএনএন মডেল এবং সিএনএন মডেলকে একত্রিত করেছেন, পরিচিত সময়ের মধ্যে সাংহাই ফিউচারের উত্থান এবং পতনের ভবিষ্যদ্বাণী করেছেন এবং ভাল ভবিষ্যদ্বাণী ফলাফল অর্জন করেছেন। বিনিয়োগকারীরা চেন এবং জি [২৩] এর সাহায্যে বিনিয়োগের সিদ্ধান্তও নিতে পারে। ফ্যাং এট আল। গবেষণা পরিমাণগত বিনিয়োগ কৌশল গভীর শিক্ষার উপর ভিত্তি করে[24]। উপরোক্ত আলোচনার উপর ভিত্তি করে, এই কাগজের প্রধান অবদানগুলি নিম্নরূপ সংক্ষিপ্ত করা হয়েছে:

(1) RNN মডেলের একটি উন্নত কাঠামো হিসাবে, LSTM মডেলটি শুধুমাত্র সময় সিরিজ ডেটা মোকাবেলা করার জন্য উপযুক্ত RNN মডেলের বৈশিষ্ট্যগুলিকে উত্তরাধিকারী করে না বরং সময়ের মাত্রার উপর দীর্ঘমেয়াদী নির্ভরতার সমস্যাকে আরও সমাধান করে এবং ভবিষ্যদ্বাণীর যথার্থতা উন্নত করে। এর পূর্বাভাস প্রভাব বিপি নিউরাল নেটওয়ার্ক, আরএনএন, সিএনএন, জিআরইউ এবং অন্যান্য নিউরাল নেটওয়ার্ক মডেলের থেকে উচ্চতর।

(2) গ্রিড অনুসন্ধান মডেলটিকে বিভিন্ন পরামিতি সহ প্রশিক্ষণ দিতে এবং মডেলের সর্বোত্তম কার্যক্ষমতা নিশ্চিত করার জন্য মানগুলির সর্বোত্তম সংমিশ্রণ না পাওয়া পর্যন্ত প্রতিটি মডেলকে ক্রস-ভ্যালিডেট করতে ব্যবহৃত হয়।

(3) *ই অপ্টিমাইজ করা মডেল পরীক্ষা সেটে যাচাই করা হয়, এবং গড় বর্গাকার ত্রুটি মডেলটিকে ওভারফিটিং থেকে আটকাতে মূল্যায়ন সূচক হিসাবে ব্যবহার করা হয়। *ই ফলাফলগুলি দেখায় যে মডেলটি প্রশিক্ষণ সেট এবং পরীক্ষার সেট উভয়ের মধ্যেই নিম্ন গড় বর্গাকার ত্রুটি অর্জন করে এবং পূর্বাভাস ফলাফলের পার্শ্ববর্তী ফলাফল অর্জন করে।

3. LSTM নেটওয়ার্ক

LSTM নিউরাল নেটওয়ার্ক প্রথম Hochreiter et al. (1997) দ্বারা প্রস্তাবিত হয়েছিল এবং অ্যালেক্স গ্রেভস দ্বারা এর অপ্টিমাইজেশন এবং উন্নতির পরে আরও প্রসারিত হয়েছিল। সিকোয়েন্স ডেটা সম্পর্কিত অনেক ব্যবহারিক সমস্যায়, এলএসটিএম দুর্দান্ত সাফল্য অর্জন করেছে এবং ব্যাপকভাবে ব্যবহৃত হয়েছে, যেমন প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (এনএলপি), সময় সিরিজের পূর্বাভাস এবং আরও অনেক কিছু।

প্রথাগত পৌনঃপুনিক নিউরাল নেটওয়ার্ক (RNN) দীর্ঘমেয়াদী সিকোয়েন্স সমস্যার সাথে মোকাবিলা করতে পারে না, এই সমস্যাটি সমাধান করার জন্য, LSTM নিউরাল নেটওয়ার্ককে একটি "গেট" কাঠামো যোগ করে কোষের অবস্থা এবং আউটপুট নিয়ন্ত্রণের জন্য বিভিন্ন সময়ে সমস্যার উপশম করার প্রস্তাব করা হয়েছে। গ্রেডিয়েন্ট অন্তর্ধান। LSTM এর "গেট" কাঠামোতে তিনটি প্রকার রয়েছে: "ভুলে যাওয়া গেট," "ইনপুট গেট," এবং "আউটপুট গেট।" "ভুলে যাওয়া গেট" এর কাজ হল পূর্ববর্তী সময় থেকে বর্তমান সময়ে প্রেরণ করা তথ্য বিচার করা এবং চিত্র 4-এ দেখানো কিছু তথ্য বেছে বেছে "ভুলে যাওয়া"। উপরন্তু, প্রশিক্ষণের প্রাথমিক পর্যায়ে গ্রেডিয়েন্ট অদৃশ্য হওয়া বা বিস্ফোরণ এড়াতে অর্থোগোনাল ইনিশিয়ালাইজেশন প্রস্তাব করা হয়েছে। , ReLU (Recti'ed Linear Unit) অ্যাক্টিভেশন ফাংশন গ্রেডিয়েন্ট অদৃশ্য হওয়াকে উপশম করতে পারে, গ্রেডিয়েন্ট শিয়ার গ্রেডিয়েন্ট বিস্ফোরণকে সমাধান করতে পারে এবং LSTM ইউনিট গ্রেডিয়েন্ট অন্তর্ধান নিয়ন্ত্রণ করতে পারে।

LSTM মেশিন অনুবাদ, কথোপকথন জেনারেশন এবং অন্যান্য ক্ষেত্রে সফলভাবে প্রয়োগ করা হয়েছে, যা সিকোয়েন্স ডেটার চমৎকার মডেলিং ক্ষমতা দেখায়। অতএব, এই কাগজটি LSTM নেটওয়ার্ক ইউনিটের উপর ভিত্তি করে একটি ক্রীড়া সামগ্রীর পূর্বাভাস মডেলের একটি খুচরা মূল্য তৈরি করে এবং এর বৈশিষ্ট্যটির সম্পূর্ণ ব্যবহার করতে পারে যে কোনও দৈর্ঘ্যের ক্রম ইনপুট হিসাবে ব্যবহার করা যেতে পারে এবং অনলাইন ডেটা স্বীকৃতিতে প্রয়োগ করা যেতে পারে। LSTM সমস্যাটি সমাধান করে যে RNN প্রবর্তন করে দীর্ঘ সময়ের নির্ভরতা পরিচালনা করতে পারে না [25]।

পুরো লুকানো স্তরে ইনপুট নিউরনের সংখ্যা G হতে দিন, G-তে সমস্ত ইউনিট এবং গেট অন্তর্ভুক্ত রয়েছে এবং এই ইনপুট নিউরনগুলিকে উপস্থাপন করতে সূচক G ব্যবহার করুন। LSTM এর ফরোয়ার্ড গণনা হল একটি ইনপুট ক্রম X গণনা করা যার দৈর্ঘ্য d, যার শুরু বিন্দু হল t 1 [26, 27]। যখন সময় বিন্দু T এর মান ক্রমাগত বৃদ্ধি পায়, তখন সমীকরণটি t t পর্যন্ত পুনরাবৃত্তিমূলকভাবে আপডেট করা হবে। ফরোয়ার্ড ক্যালকুলেশনের মতো, বিপরীত গণনা হল একটি ইনপুট অনুক্রম X যার একটি সময় দৈর্ঘ্য T, কিন্তু বিপরীত গণনার প্রারম্ভিক বিন্দু হল T T। যখন T-এর মান ক্রমাগত হ্রাস পায়, তখন ইউনিটের রেসিপ্রোকালটি 1 1 পর্যন্ত পুনরাবৃত্তিমূলকভাবে গণনা করা হয়। ডেরিভেটিভ অনুসারে উপরের প্রতিটি পয়েন্টে, আমরা 'নাল ওজন ডেরিভেটিভ মান পেতে পারি।

যেখানে Wf এবং bf যথাক্রমে ভুলে যাওয়া গেটের ওজন এবং পক্ষপাতকে প্রতিনিধিত্ব করে, যেখানে σ সিগমায়েড ফাংশনকে প্রতিনিধিত্ব করে।

4. ডেটা প্রসেসিং এবং এক্সপ্লোরা

অন*এই কাগজের প্রধান উদ্ভাবন পয়েন্ট হল প্রচলিত LSTM মডেলের উন্নতি করা এবং ক্রীড়া পণ্যের খুচরা মূল্যের পূর্বাভাস দেওয়ার জন্য এটি প্রয়োগ করা, তাই আমরা এটিকে প্রধানত প্রচলিত LSTM মডেলের সাথে তুলনা করি। দ্বিতীয়ত, যেহেতু আসল ডেটা সেটগুলি মূল্যবান এবং প্রাপ্ত করা কঠিন, এই কাগজটি সিমুলেশন পরীক্ষার জন্য শুধুমাত্র ওয়ানডেটা সেট ব্যবহার করে। যেহেতু ডেটার গুণমান নির্বাচিত মডেলের প্রশিক্ষণকে প্রভাবিত করে, তাই মডেল প্রশিক্ষণের আগে ডেটা সংগ্রহ, বিশ্লেষণ এবং প্রক্রিয়াকরণ হল মূল ধাপ। *এই কাগজের ই ডেটা প্রধানত দুটি অংশ অন্তর্ভুক্ত করে: গবেষণা বস্তু এবং বৈশিষ্ট্যগত ডেটা।

সাধারণ পূর্বাভাস পণ্য মূল্য ক্রীড়া পণ্য মূল্য উপর দৃষ্টি নিবদ্ধ করে. বিভিন্ন ক্রীড়া সামগ্রীর বর্ণনামূলক পরিসংখ্যানগত বিশ্লেষণ পরিচালনা করতে পাইথন ব্যবহার করুন এবং তাদের ক্লোজিং প্রাইস চার্ট আঁকুন [৩১, ৩২], যেমন চিত্র ৫-এ দেখানো হয়েছে। এবং স্বাভাবিক বন্টন মেনে চলে না।

n.4.1. ডেটা গোলমাল হ্রাস। যেহেতু বাজারের গতিশীলতা খুবই জটিল, এই ডেটাতে কদাচিৎ শব্দ থাকে, তাই লাইব্রেরিতে পাইথন ডাটানোইস অপসারণের জন্য তরঙ্গায়িত রূপান্তরের জন্য ব্যবহার করা হয় [৩৩]। এটি লক্ষণীয় যে এই কাগজে প্রচলিত তরঙ্গ পরিবর্তন মডেল ব্যবহার করা হয়েছে। এটি স্বল্প সময়ের ফুরিয়ার রূপান্তর স্থানীয়করণের ধারণাকে উত্তরাধিকার সূত্রে প্রাপ্ত করে এবং বিকাশ করে এবং ফ্রিকোয়েন্সির সাথে পরিবর্তন না করে উইন্ডোর আকারের ত্রুটিগুলি কাটিয়ে ওঠে। এটি ফ্রিকোয়েন্সি সহ একটি "সময়-ফ্রিকোয়েন্সি" উইন্ডো পরিবর্তন করতে পারে, যা সময়-ফ্রিকোয়েন্সি বিশ্লেষণ এবং সংকেত প্রক্রিয়াকরণের জন্য একটি আদর্শ হাতিয়ার। *অতএব, এটি আর্থিক ডেটাতে গোলমাল অপসারণের জন্য বিশেষভাবে উপযুক্ত৷ তরঙ্গ রূপান্তরের আগে এবং পরে চিত্র 6 এবং 7 হল তুলনা৷

n.এলএসটিএম নিউরাল নেটওয়ার্ক প্রশিক্ষণ সমাপ্ত হওয়ার পরে, মডেল 1 এবং মডেল 2-এর পূর্বাভাস ফলাফল এবং অনুরূপ MSE মান যথাক্রমে দেওয়া হয়, যেমন চিত্র 8-এ দেখানো হয়েছে, এবং মডেল 1 এবং মডেল 2-এর পূর্বাভাসের ফলাফলগুলি চিত্র 9-এ দেখানো হয়েছে৷

৯। পরীক্ষার সেটে একটি ভাল মডেল ভাল মডেলের কার্যকারিতা দেয় এবং প্রশিক্ষণ ডেটা সেটের বাইরে নতুন ডেটা দিয়ে যাচাই করা যেতে পারে, যেমন, নমুনার বাইরের ডেটা। পরামিতিগুলি ছাড়াও যেগুলি উপলব্ধি করা যায়, বিভিন্ন মডেলের জন্য বিভিন্ন হাইপারপ্যারামিটারের প্রয়োজন হয়, যা এমন পরামিতি যা প্রশিক্ষণের প্রয়োজন হয় না।

প্যারামিটারগুলি মডেলের জন্য গুরুত্বপূর্ণ এবং প্রশিক্ষণ ডেটার উপর নির্ভর করে। প্রশিক্ষণ প্রক্রিয়ার অংশ হিসাবে, LSTM মডেলটিকে আরও সামঞ্জস্য করা হয়েছে এবং অপ্টিমাইজেশন কৌশলগুলির মাধ্যমে প্রশিক্ষণের ডেটা থেকে পরামিতিগুলি শেখার মাধ্যমে আরও ভাল ভবিষ্যদ্বাণী প্রাপ্ত করার জন্য অপ্টিমাইজ করা হয়েছে [34-37]।

অর্থনৈতিক গবেষণার প্রক্রিয়াটি সাধারণত অর্থনৈতিক মডেল তৈরির মাধ্যমে অর্থনৈতিক ঘটনা ব্যাখ্যা করা হয়৷ যখন সাধারণভাবে গৃহীত অর্থনৈতিক ঘটনাগুলি পণ্ডিতদের দ্বারা সমন্বিত হয়, তখন তাদের সাধারণ তথ্যের আকারে তালিকাভুক্ত করা প্রয়োজন৷ ফলো-আপ গবেষণায়, যদি সাধারণ ভারসাম্যের অবস্থায় মডেলটির সমাধানটি সাধারণ তথ্যের সাথে সামঞ্জস্যপূর্ণ হয়, তবে এটি ব্যাখ্যা করতে পারে যে মডেলটি অনেকাংশে যুক্তিসঙ্গত। 'আর্থিক সমস্যা'র গবেষণায়, বিশেষ করে 'আর্থিক সময় রিটার্ন সিরিজ'-এর গবেষণায়, কিছু সাধারণ পরিসংখ্যানগত বৈশিষ্ট্য প্রায়ই লক্ষ্য করা যায়। পণ্ডিতদের একক রিটার্ন সিরিজের সাধারণ তথ্য অনুসারে, সেগুলিকে নিম্নরূপ সংক্ষিপ্ত করা হয়েছে: তারা প্রায়শই স্বয়ংক্রিয় সম্পর্ক দেখায়; এটি প্রায়ই দীর্ঘ স্মৃতি দেখায়; পরম রিটার্ন স্বয়ংক্রিয় সম্পর্কের ধীর ক্ষয়; পিক পুরু লেজ বিতরণ; বন্টন আকৃতি সময়ের সাথে পরিবর্তিত হয়; তরঙ্গ সমষ্টি e‡ect; Žactuation এগ্রিগেশন সামঞ্জস্য করার পরে, এখনও একটি শর্তসাপেক্ষ পুরু লেজ e‡, ইত্যাদি রয়েছে। স্বাধীন এবং অভিন্নভাবে বিতরণের অনুমানে, 'পরীক্ষিত' আর্থিক সময় সিরিজ মডেলের কার্যকারিতা প্রায়শই সর্বোত্তম নয়, তাই ডেটার বন্টন বৈশিষ্ট্যগুলি বিবেচনা করা প্রয়োজন। আয় সিরিজের মডেলিং করার সময়। যখন নিউরাল নেটওয়ার্ক মডেল ডেটা মডেল করার জন্য ব্যবহার করা হয়, তখন ডিস্ট্রিবিউশনের অনুমান বিবেচনা করার প্রয়োজন নেই। কারণ নিউরাল নেটওয়ার্ক মডেল ইনপুট ডেটার গঠনকে সাধারণীকরণ করতে পারে যাতে 'আর্থিক ডেটার অনলাইন বৈশিষ্ট্যগুলি নিউরাল নেটওয়ার্ক দ্বারা ক্যাপচার করা যায়।

গ্রিড অনুসন্ধান হল পদ্ধতিগতভাবে মডেলকে প্রশিক্ষণের একটি পদ্ধতি, মডেলকে প্রশিক্ষণ দেওয়ার জন্য হাইপারপ্যারামিটার মানগুলির বিভিন্ন সংমিশ্রণ ব্যবহার করে, সেরা মডেলের কার্যকারিতা নিশ্চিত করার জন্য মানগুলির সর্বোত্তম সংমিশ্রণ পাওয়া না যাওয়া পর্যন্ত প্রতিটি মডেলকে ক্রস-ভ্যালিডিটিং করে৷ সব কম্বিনেশনের ক্রমাগত টেস্টিং প্যারামিটারের মাধ্যমে, একটি গ্রুপ এবং সুপার কনফিগারেশন প্যারামিটারগুলির সবচেয়ে উপযুক্ত সমন্বয় হবে বিচক্ষণতা, সুপার প্যারামিটারগুলি তাদের বৈশিষ্ট্য অনুসারে বেশ কয়েকটি অভিজ্ঞতার মান নির্বাচন করতে এবং তারপর প্রশিক্ষণ মডেলের বিভিন্ন সংমিশ্রণ অনুসারে, একটি সর্বোত্তম সংমিশ্রণ নির্বাচন করতে কনগুরেশন, সুপার প্যারামিটারের জন্য কম উপযুক্ত পরিস্থিতি। র্যান্ডম অনুসন্ধান হল এলোমেলোভাবে হাইপারপ্যারামিটারগুলিকে একত্রিত করা এবং তারপরে সর্বোত্তম কনফিগারেশন নির্বাচন করা৷ এটি গুরুত্বহীন পরামিতিগুলির উপর অপ্রয়োজনীয় প্রচেষ্টা করে না কারণ, যেমন নিয়মিতকরণ সহগগুলি মডেলের কার্যকারিতার উপর সীমিত প্রভাব ফেলে, শেখার হারগুলি মডেল কার্যক্ষমতার উপর আরও বেশি প্রভাব ফেলে, তাই এটি অপ্রয়োজনীয় প্রচেষ্টা করে না৷ এলোমেলো অনুসন্ধানগুলি সাধারণত গ্রিড অনুসন্ধানের চেয়ে আরও কার্যকর এবং কার্যকর করা সহজ৷ তবে, এই দুটি পদ্ধতি হাইপারপ্যারামিটারের মধ্যে একটি সম্পর্ক আছে কিনা তা বিবেচনা করে না, তাই তারা তুলনামূলকভাবে অদক্ষ৷ Bayesian অপ্টিমাইজেশান হল একটি অভিযোজিত হাইপারপ্যারামিটার অপ্টিমাইজেশান পদ্ধতি, যা পরীক্ষিত হাইপারপ্যারামিটার সংমিশ্রণের উপর ভিত্তি করে সর্বাধিক উপযোগিতা পাওয়ার জন্য পরবর্তী সম্ভাব্য হাইপারপ্যারামিটার সমন্বয়ের পূর্বাভাস দেয়। যেহেতু গাউসিয়ান ডিস্ট্রিবিউশনের ক্রমবর্ধমান ডিস্ট্রিবিউশন ফাংশনটি একটি s-টাইপ ফাংশন, তাই চিত্র 10-এ দেখানো হিসাবে GELUfunction tanh ফাংশন বা Logisticfunction দ্বারা আনুমানিক করা যেতে পারে।

সবচেয়ে সহজ কৌশল হল প্রশিক্ষণ প্রক্রিয়া জুড়ে 'এক্সএ শেখার হার'। একটি ছোট শেখার হার বাছাই করা অপ্টিমাইজারকে একটি ভাল সমাধান করতে দেয়, কিন্তু অভিসারী হার সীমিত করা সহজ। শেখার হার পরিবর্তন করতে সময় নিয়ে উভয়ের মধ্যে সম্পর্ক ভারসাম্যপূর্ণ হতে পারে। চিত্র 11 প্রতিটি সময়ের জন্য শেখার হার দেখায়।

অনেকবার সামঞ্জস্য এবং অপ্টিমাইজেশনের পরে, উন্নতির আগে এবং পরে ভবিষ্যদ্বাণী ফলাফল যথাক্রমে চিত্র 12 এবং 13 এ দেখানো হয়েছে। প্রাপ্ত মডেলের কাঠামো এবং পরামিতিগুলি নিম্নরূপ: পরীক্ষার উইন্ডোটির অনুক্রমিক দৈর্ঘ্য 55, এবং অনুক্রমিক মডেলটি তিনটি LSTM স্তর নিয়ে গঠিত, প্রতিটি স্তরে নিউরনের সংখ্যা 100, 100 এবং 150, যথাক্রমে ওভার-ফিটিং এড়াতে, 0.2 এর ড্রপআউট স্তরের সাথে দুটি ড্রপআউট স্তর যুক্ত করা হয়েছে এবং ইনপুট ডেটার মাত্রা 5। এবং ঘন স্তরটি যোগ করা হয়েছে এর মাত্রা 1 এ একত্রিত করার জন্য, সক্রিয়করণ ফাংশনটি রৈখিক ছিল এবং লস ফাংশনটি গড় হিসাবে সেট করা হয়েছিল বর্গাকার ত্রুটি (MSE)। অ্যাডামকে অপ্টিমাইজেশান অ্যালগরিদম হিসাবে ব্যবহার করা হয়েছিল এবং মডেল হিসাবে দুটি যুগ ব্যবহার করা হয়েছিল। প্রতিটি ব্যাচ আকার 32.

ই প্রচলিত মূল্য পূর্বাভাস মডেল এছাড়াও একটি গভীর জ্ঞান মডেল. প্রথমত, একটি প্রচলিত মূল্য পূর্বাভাস মডেল নির্মিত হয়; অর্থাৎ, মডেলটিতে শুধুমাত্র মার্কেটডেটা এবং 'আর্থিক ডেটা থাকে। e পূর্ববর্তী বাজারের ডেটা এবং '-আর্থিক ডেটা ভবিষ্যতের বাজারের পূর্বাভাস দেওয়ার জন্য প্রশিক্ষিত গভীর শিক্ষার মডেল পেতে গভীর শিক্ষার মডেলকে প্রশিক্ষণ দিতে ব্যবহৃত হয়; মোটামুটি প্রাকৃতিক ভাষা প্রক্রিয়াকরণ প্রযুক্তি, আবেগগত তথ্য নিষ্কাশন, এবং মানসিক মূল্যায়ন জনগণের মতামত ডেটার উপর পরিচালিত হয়। প্রচলিত মূল্য ভবিষ্যদ্বাণী মডেলের সাথে মিলিত, গভীরভাবে শেখার মডেলটি বাজারের ডেটা, 'আর্থিক তথ্য, গবেষণা প্রতিবেদন, এবং 'আর্থিক খবর'-এর মানসিক প্রবণতা ডেটা ব্যবহার করে প্ররোচিত হয় এবং মডেলটি ভবিষ্যতের বাজারের পূর্বাভাস দিতে ব্যবহৃত হয়। en, প্রচলিত সিকিউরিটিজ মূল্য ভবিষ্যদ্বাণী মডেলের ভবিষ্যদ্বাণীটি জনমত তথ্যের প্রাকৃতিক ভাষা প্রক্রিয়াকরণ ফলাফলের উপর ভিত্তি করে গভীর শিক্ষার মডেলের সাথে তুলনা করা হয়।

LSTMnetwork দুটি মডেলের ইনপুট নোড, আউটপুট নোড এবং হিডেন লেয়ার নোডের সংখ্যা নির্ধারণ করার পরে, গভীর শিক্ষার মডেলটি প্রশিক্ষণ দেওয়া যেতে পারে। অনেক পরীক্ষা-নিরীক্ষার পরে, এটি পাওয়া যায় যে প্রশিক্ষণের সময়গুলি খুব কম এবং মডেল প্রশিক্ষণের ত্রুটিটি খুব বড়, তাই প্রশিক্ষণের সময়গুলি ক্রমাগত বৃদ্ধি করা প্রয়োজন, তবে প্রশিক্ষণের সময় বৃদ্ধির সাথে সাথে; মডেল প্রশিক্ষণের ত্রুটি ধীরে ধীরে একটি স্থিতিশীল মান থাকে। এই সময়ে মডেলের প্রশিক্ষণের সময় অনেক বাড়ানো হলে, মডেল e‡, ইত্যাদির তেমন উন্নতি হয় না। এটি সি-এর 'বাকী মডেল' প্রশিক্ষণের ফলাফল। যখন প্রশিক্ষণের সময় 200 এর কম হয়, মডেলের ত্রুটিটি বড়। এই সময়ে, প্রশিক্ষণের সময় বৃদ্ধি দ্রুত মডেল প্রশিক্ষণের ত্রুটি হ্রাস করবে; যখন প্রশিক্ষণের সময় 200 বারের বেশি এবং 1000 বারের কম হয়, মডেল ত্রুটিটি ছোট ছিল। এই সময়ে, যখন প্রশিক্ষণের সময় বৃদ্ধি করা হয়, মডেল প্রশিক্ষণ ত্রুটির হ্রাস ডিগ্রী একটি হ্রাসকারী আইন দেখিয়েছে; 1000 থেকে 2000 বার প্রশিক্ষণের সময়, মডেলের ত্রুটি একটি ছোট এলাকায় পরিবর্তিত হয় এবং প্রশিক্ষণের সময় সংখ্যা বৃদ্ধির প্রভাব ধীরে ধীরে স্পষ্ট হয় না। মোটামুটি অনেক পরীক্ষা এবং তুলনা, এটি পাওয়া যায় যে যখন মডেলের প্রশিক্ষণের সময়ের সংখ্যা প্রায় 2000 বার হয়, তখন এটি প্রশিক্ষণের সঠিকতা প্রয়োজনীয়তা পূরণ করতে পারে। যদি প্রশিক্ষণের সময়ের সংখ্যা বাড়ানো হয়, মডেল প্রশিক্ষণের ত্রুটির উন্নতির ক্ষেত্রে ছোট, তদুপরি, কম্পিউটারে মডেলটি প্রশিক্ষিত করতে এটি অনেক সময় নেয়, তাই খুব বেশি প্রশিক্ষণের সময় বাড়ানোর তেমন গুরুত্ব নেই। অতএব, আমরা এই গবেষণায় গভীরভাবে শেখার মডেলের প্রশিক্ষণের সময়গুলি 2000 বার সেট করেছি। পরবর্তী মডেলে, আমরা যাচাই করি যে এটি এই আইনের সাথে সঙ্গতিপূর্ণ। অতএব, জনমতের তথ্যের ডেটা সহ দ্বিতীয় গভীর শিক্ষার মডেলটিও 2000 বার প্রশিক্ষণের সময় নির্ধারণ করে।

5। উপসংহার

(1) এই কাগজটি 'ফাইন্যান্সিয়াল টাইম সিরিজ ডেটা'র বৈশিষ্ট্যের উপর ভিত্তি করে গভীর শিক্ষার তত্ত্ব প্রয়োগ করে, ক্রীড়া সামগ্রীর মূল্য সূচকের পূর্বাভাস দিতে LSTM নিউরাল নেটওয়ার্ক মডেল ব্যবহার করে এবং নেটওয়ার্ক মডেল ব্যবহার করে ভবিষ্যদ্বাণী ফলাফলের সাথে এর পূর্বাভাস ফলাফলের তুলনা করে। পরীক্ষামূলক ফলাফলগুলি দেখায় যে LSTM নিউরালনেটওয়ার্ক মডেলের টেস্টসেটে সেরা পারফরম্যান্স রয়েছে।

(2) একটি ভবিষ্যদ্বাণী মডেল প্রতিষ্ঠিত হয়। কোলেটেড ডেটা ফিচার ইঞ্জিনিয়ারিংয়ের উপর ভিত্তি করে, দীর্ঘ এবং স্বল্পমেয়াদী মেমরির উপর ভিত্তি করে একটি নিউরাল নেটওয়ার্ক পূর্বাভাস মডেল প্রতিষ্ঠিত হয় এবং মডেলটিকে খেলার সামগ্রীর দামের পূর্বাভাস দেওয়ার জন্য একটি প্রশিক্ষণ সেট দিয়ে প্রশিক্ষিত করা হয়। মডেল অপ্টিমাইজেশানের অন্তর্বর্তীকাল, লুকানো স্তরের নিউরনের সংখ্যা, শেখার হার, ব্যাচের আকার, এবং প্রশিক্ষণ চাকা সর্বোত্তম প্রশিক্ষণের ফলাফল অর্জনের জন্য সামঞ্জস্য করা হয়েছিল।

3

যদিও এই কাগজে প্রস্তাবিত মডেলটি ভাল ভবিষ্যদ্বাণী ফলাফল অর্জন করে, মডেলটি ডেটা সময়ের পারস্পরিক সম্পর্ক বিবেচনা করে না। কিছু স্লাইডিং টাইম উইন্ডো টুল ভবিষ্যত গবেষণায় ভবিষ্যদ্বাণী ধাপের আকার এবং মডেলের ভবিষ্যদ্বাণীর নির্ভুলতা উন্নত করতে ব্যবহার করা যেতে পারে।

ডেটা উপলব্ধতা

এই গবেষণার ফলাফলগুলিকে সমর্থন করার জন্য ব্যবহৃত ডেটা অনুরোধের ভিত্তিতে লেখকের কাছ থেকে পাওয়া যায়।

স্বার্থের সংঘাত

দ্যলেখক ঘোষণা করেছেন যে স্বার্থের কোন দ্বন্দ্ব নেই।

তথ্যসূত্র

[১] জে. ওয়াং, আর. হাউ, এবং সি. ওয়াং, "ভেরিয়েবল নির্বাচনের উপর ভিত্তি করে উন্নত সমর্থন ভেক্টর রিগ্রেশন মডেল এবং স্টক মূল্যের পূর্বাভাসের জন্য ব্রেনস্টর্মোপ্টিমাইজেশন," অ্যাপ্লাইড সফট কম্পিউটিং, ভলিউম। 49, না। 2, পৃ. 164–178, 2016।

[২] এম. ডিক্সন, ডি. ক্লাবজান, এবং জে. হুন ব্যাং, "গভীর নিউরাল নেটওয়ার্ক ব্যবহার করে সি1অ্যাসিফিকেশন ভিত্তিক আর্থিক বাজারের পূর্বাভাস," অ্যালগরিদমিক ফাইন্যান্স, ভলিউম। 6, না। 3-4, পৃষ্ঠা 67–77, 2017।

[৩] কে. চেন, ওয়াই. ঝোউ এবং এফওয়াই ডাই, "একটি এলএসটিএম-ভিত্তিক পদ্ধতি ফরস্টক রিটার্ন ভবিষ্যদ্বাণী: চীনের স্টক মার্কেটের একটি কেস স্টাডি," 2015 সালের আইইইই ইন্টারন্যাশনাল কনফারেন্স অন বিগ ডেটা, ভলিউম। 123, না। 12, পৃষ্ঠা। 2823-2824, সান্তা ক্লারা, CA, USA, 2015।

[৪] AE Clements এবং N. Todorova, "তথ্য প্রবাহ, ব্যবসায়িক কার্যকলাপ এবং পণ্যের ফিউচার অস্থিরতা," জার্নাল অফ ফিউচারমার্কেটস, ভলিউম। 36, না। 1, পৃ. 88-104, 2016।

[৫] এল. জুয়েই এবং এল. জুয়েয়ান, "বিগ ডেটা এবং ভবিষ্যতের মূল প্রযুক্তি," বিজ্ঞান ও প্রকৌশলে কম্পিউটিং, ভলিউম। 20, না। 4, পৃ. 75-88, 2018।

[৬] এআই সারওয়াত, এম. আমিনি, এ. ডোমিজান, এ. ড্যামনজানোভিক, এবং এফ. কলিম, "কালানুক্রমিক ডেটা ব্যবহার করে স্মার্ট গ্রিডে আবহাওয়া-ভিত্তিক বিঘ্নের পূর্বাভাস," জার্নাল অফ মডার্ন পাওয়ার সিস্টেমস অ্যান্ড ক্লিন এনার্জি, ভলিউম। 4, না। 2, পৃ. 308–315,2016।

[৭] X. Zhang, J. Wang, এবং Y. Gao, "একটি হাইব্রিড স্বল্পমেয়াদী বিদ্যুতের মূল্য পূর্বাভাস কাঠামো: একক স্পেকট্রাম বিশ্লেষণ এবং SVM সহ কোকিল অনুসন্ধান-ভিত্তিক বৈশিষ্ট্য নির্বাচন,"শক্তি অর্থনীতি, ভলিউম। 81, না। 6, পৃ. 16-23, 2019।

[৮] জি. ওসোরিও, এম. লোটফি, ভিএমএ ক্যাম্পোস, এবং এম. খান, "হাইব্রিড' পুনর্নবীকরণযোগ্য একীকরণের সাথে স্বল্প-মেয়াদী বিদ্যুতের বাজার মূল্যের পূর্বাভাস মডেল," সাসটেইনেবিলিটি, ভলিউম। 11, না। 1, পৃ. 1-15, 2018।

[৯] এ. বেলো, ডিডব্লিউ বুন, এবং জে. রেনিসেস, "বিদ্যুতের দামের মাঝারি-মেয়াদী পূর্বাভাস: একটি হাইব্রিড পদ্ধতি," IEEE লেনদেন অন পাওয়ার সিস্টেম, ভলিউম। 16, না। 2, পৃ. 1-6, 2016।

[১০] এ. বেলো, জে. রেনেসেস, এ. মুনোজ, এবং এ. ডেলগাডিলো, "স্থানিক ইন্টারপোলেশন কৌশল ব্যবহার করে মাঝারি মেয়াদে ঘণ্টায় বিদ্যুতের দামের সম্ভাব্য পূর্বাভাস," আন্তর্জাতিক জার্নাল অফ ফোরকাস্টিং, ভলিউম। 32, না। 3, পৃ. 966–980, 2016।

[১১] P. Kou, D. Liang, L. Gao, এবং J. Lou, "প্যাবিলিস্টিক ইলেক্ট্রিসিটি প্রাইস ফরকাস্টিং উইথ ভ্যারিয়েশনাল হেটেরোসেডেস্টিক গাউসিয়ান প্রসেস এবং অ্যাক্টিভ লার্নিং," এনার্জি কনভার্সন অ্যান্ড ম্যানেজমেন্ট, ভলিউম। 89, পৃষ্ঠা 298–308, 2015।

For more information:1950477648nn@gmail.com