1. CNN-LSTM模型。CNN具有注意最明显的特征,因此在特征工程中得到了广泛的应用。LSTM有,按时间顺序扩张的特性,广泛应用于时间序列中。
根据CNN和LSTM股票预测模型的特点
建立了基于CNN的LSTM模型-e模型结构
示意图如图1所示,主要结构为CNN和LSTM,包括输入层、一维卷积层、池层、LSTM隐藏层和全隐层,连接层。
2. CNN。CNN是Lecun等人提出的一种网络模型。
1998年。CNN是一种前馈神经网络,
在图像处理和图像处理方面具有良好的性能自然语言处理。
可有效应用时间序列的预测-e.当地感知和CNN的权值共享可以大大减少网络的数量
从而提高了模型学习的效率. CNN主要由两部分组成:卷积层和池层。每个卷积层包含一个
复数卷积核及其计算公式
如式(1)所示。在卷积运算之后复杂度在卷积层,提取数据的特征,
但是提取出来的特征维数很高,所以
为了解决这一问题,降低培训成本
在网络中,在卷积后加入一个池层
图层以减少特征尺寸:
3. LSTM。1997年。LSTM是一种网络模型,LSTM是一种由Schmidhuber等人,
设计用于解决梯度的长期问题
RNN中的爆炸和梯度消失。
广泛应用于语音识别、情感分析等领域,
因为它有自己的记忆,可以相对准确的预测。近年来,它也被应用于股票市场预测领域标准中只有一个重复模块RNN,内部结构简单。然而,四个LSTM模块与
标准RNN模块,并且它们以特殊的方式运行 LSTM内存单元由
三部分:遗忘门,输入门,