基于内存计算的钢铁价格预测算法研究

发布时间：2017-05-01 09:05

  本文关键词：基于内存计算的钢铁价格预测算法研究，由笔耕文化传播整理发布。

【摘要】：钢铁生产在国民经济具有举足轻重的地位，是社会发展的重要物质保障。中国近50年来在钢铁行业有着突飞猛进的发展。钢铁价格的波动对国民经济以及相关行业带来深远的影响。钢铁价格波动的因素有很多，既有来自宏观经济的影响，又会有生产成本，供求关系，国际贸易，国家政策等诸多的因素。因此，很多国内外的学者对钢铁价格的预测展开了深入而全面的研究。目前，对钢铁价格预测研究的算法主要有线性回归法，小波分解算法，支持向量机法，聚类分析法等。 在这大数据时代，一个好的预测方法可以为决策者提供强有力的决策依据。其不仅可以准确的预测价格的走势，还可以预测顾客对商品的需求，从而让生产者有效的安排生产，减少企业的库存，，合理安排物流，提高企业的生产效率，提高顾客对企业的满意程度，综合提高企业的竞争力。目前用于预测的方法有很多,但是目前的研究工作比较局限于小数据量的预测。在大数据时代，如何有效的利用大数据进行预测，有及其重要的意义，这样不仅使得原始数据更有说服力，而且可以使得预测更加的精准。重要的是，如果运算的速度足够快，那么我们就可以使得预测的数据实时的展现，可以为决策者提供最有力的数据支撑，从而大大提高生产效率。 由于钢铁价格具有非线性和因子难以确定的特点，在数据挖掘预测分析时候，传统的预测方法只能对钢铁价格进行小数据量的分析，导致预测精度低，速度慢，效率低下。随着大数据的深入研究，内存计算技术成为研究热点，用户对实时数据处理技术的需求越来越高。因此，本文在钢铁价格预测模型中，引入内存计算技术，提出基于内存计算的LM-BP神经网络预测算法。利用2002年到2010年的钢铁价格、产量、库存、GDP等数据建立预测模型。最后，仿真实验结果表明，基于内存计算的预测模型算法不仅速度快，而且精度高。具体的工作有如下几个方面： （1）概括总结了现阶段钢铁价格预测分析中的主流方法，提出本文的研究思路。 （2）介绍了BP神经网络的基础知识，在前人研究的基础上总结了BP神经网络的优点和缺点，并针对缺点提出了解决方案。并且分析了BP神经网络模型在价格预测中的优势。 （3）介绍了HANA的架构，分析了HANA的内存技术的特点。并且分析了HANA中的分析预测库PAL。 （4）详细的分析了如何在内存计算中构造BP神经网络的模型来预测钢铁的价格。包括实验环境的配置，以及预测模型的构造和实验结果分析。
【关键词】：大数据 内存计算 HANA BP神经网络 LM算法
【学位授予单位】：东华大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F426.31;F764.2;TP183
【目录】：

• 摘要5-8
• ABSTRACT8-13
• 第1章 绪论13-22
• 1.1 研究课题背景13-15
• 1.1.1 钢铁研究背景13-14
• 1.1.2 大数据与内存计算研究背景14-15
• 1.2 国内外预测理论发展及研究现状15-19
• 1.2.1 贝叶斯模型15-16
• 1.2.2 ARMA 模型16-17
• 1.2.3 支持向量机预测模型17-18
• 1.2.4 BP神经网络模型18-19
• 1.3 内存计算SAP HANA发展及研究现状19-20
• 1.3.1 HANA软件方面19-20
• 1.3.2 HANA硬件方面20
• 1.4 研究意义20-21
• 1.5 本文组织结构21-22
• 第2章 BP神经网络22-31
• 2.1 BP神经网络定义22
• 2.2 BP神经网络模型及其基本原理22-23
• 2.3 基本BP算法公式推导23-26
• 2.4 BP网络的优点以及局限性26-27
• 2.5 BP 算法的改进27-29
• 2.5.1 附加动量法27-28
• 2.5.2 自适应学习速率28-29
• 2.5.3 动量-自适应学习速率调整算法29
• 2.6 BP神经网络在价格预测中的适用性29-30
• 2.7 本章小结30-31
• 第3章 内存计算SAP HANA31-40
• 3.1 SAP HANA 内存技术特点31-35
• 3.1.1 高效的并行处理机制31
• 3.1.2 基于内存的高效数据读取和处理31-32
• 3.1.3 高效的数据压缩化内存利用32
• 3.1.4 行存储和列存储的混合模式32-33
• 3.1.5 虚拟建模减少数据冗余33-34
• 3.1.6 在数据库层面进行数据密集型34-35
• 3.2 SAP HANA系统架构35-37
• 3.2.1 HANA 内存计算引擎36
• 3.2.2 HANA工作台36-37
• 3.2.3 展现层37
• 3.3 SAP HANA 预测分析库37-39
• 3.3.1 PAL简介37-38
• 3.3.2 PAL函数使用步骤38-39
• 3.4 本章小结39-40
• 第4章 钢铁价格预测模型构造40-53
• 4.1 钢铁价格预测BP神经网络模型设计40-49
• 4.1.1 影响钢铁价格主因分析40-41
• 4.1.2 BP神经网络网格设计41-42
• 4.1.3 BP神经网络隐含层节点数42-43
• 4.1.4 数据的标准化43-45
• 4.1.5 训练算法选择45-47
• 4.1.6 LM算法实现47-49
• 4.2 实验环境配置49-51
• 4.2.1 SAP HANA 硬件配置49
• 4.2.2 SAP HANA PAL配置49
• 4.2.3 R语言集成49-51
• 4.3 结果分析51-52
• 4.3.1 数据处理性能对比51-52
• 4.3.2 准确率对比52
• 4.4 本章小结52-53
• 第5章 总结与展望53-55
• 5.1 总结53
• 5.2 工作展望53-55
• 参考文献55-57
• 攻读硕士学位期间取得的研究成果57-58
• 致谢58

【参考文献】

中国期刊全文数据库 前8条

1 王美玲,张长江,付梦印,肖?;一种用于非线性函数逼近的小波神经网络算法仿真[J];北京理工大学学报;2002年03期

2 师洪涛;杨静玲;丁茂生;王金梅;;基于小波—BP神经网络的短期风电功率预测方法[J];电力系统自动化;2011年16期

3 余华;吴文全;曹亮;;BP神经网络的改进算法及其应用[J];电脑知识与技术;2009年19期

4 孙红敏;吴静婷;李晓明;;基于改进BP神经网络的价格预测模型研究[J];东北农业大学学报;2013年08期

5 邹柏贤,刘强;基于ARMA模型的网络流量预测[J];计算机研究与发展;2002年12期

6 周建华;共轭梯度法在BP网络中的应用[J];计算机工程与应用;1999年03期

7 彭岩;王万森;王旭仁;涂序彦;;基于机器学习的风险预测方法研究[J];计算机科学;2009年04期

8 姚立忠;李太福;易军;苏盈盈;胡文金;肖大志;;神经网络模型的透明化及输入变量约简[J];计算机科学;2012年09期

  本文关键词：基于内存计算的钢铁价格预测算法研究，由笔耕文化传播整理发布。

本文编号：338607