[發明專利]一種基于深度學習的礦山開采原材料價格預測系統及方法

在審

• 申請號: 202310428917.0
• 申請日: 2023-04-20
• 公開（公告）號: CN116308586A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 李效博;許林英;郭九江
• 申請（專利權）人: 天津大學
• 主分類號: G06Q30/0283
• 分類號: G06Q30/0283;G06Q10/04;G06Q50/02;G06N3/0442;G06N3/0464;G06N3/08;G06N3/048
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 張建中

1.一種基于深度學習的礦山開采原材料價格預測系統，其特征在于，該預測系統包括依次連接的殘差網絡單元和基于注意力機制的門控神經網絡單元；殘差網絡單元包括依次連接的多個殘差模塊；在兩個殘差模塊之間設有1×1卷積層，最后一個殘差模塊通過一個池化層后輸出一個三維張量，該三維張量轉換為基于注意力機制的門控神經網絡單元的輸入向量；基于注意力機制的門控神經網絡單元包括若干組組合模塊，每個組合模塊包括一個GRU單元和一個Attention單元，每個GRU單元隱藏層的輸出經過Attention單元的加權處理后輸出；若干組組合模塊的輸出相加后輸出礦山開采原材料價格預測值。

2.根據權利要求1所述的基于深度學習的礦山開采原材料價格預測系統，其特征在于，殘差網絡單元包括預處理部分和殘差部分；預處理部分包括一個卷積層和一個池化層，用于對輸入數據進行預處理；殘差部分包括多個殘差模塊和全局平均池化層；每個殘差模塊包括兩個卷積層和一個跨層連接；全局平均池化層將最后一個殘差模塊的輸出進行平均池化，輸出最終的特征向量。

3.根據權利要求2所述的基于深度學習的礦山開采原材料價格預測系統，其特征在于，殘差模塊包括兩個卷積核尺寸為1*3的一維卷積層，每個卷積層后有一個批量歸一化層和ReLU激活函數層。

4.根據權利要求2所述的基于深度學習的礦山開采原材料價格預測系統，其特征在于，殘差網絡單元包括依次連接的Conv1、Conv2_x、Conv3_x、Conv4_x、Conv5_x；Conv1為預處理部分，其余為殘差部分。

5.根據權利要求1所述的基于深度學習的礦山開采原材料價格預測系統，其特征在于，基于注意力機制的門控神經網絡單元中的GRU單元依次相連。

6.一種利用權利要求1至5任一所述的基于深度學習的礦山開采原材料價格預測系統的基于深度學習的礦山開采原材料價格預測方法，包括如下步驟：

步驟1，對歷史的礦山開采原材料價格數據進行歸一化處理，并處理為符合預測系統輸入格式的數據集，將數據集劃分為訓練集、驗證集和測試集三部分；

步驟2，將訓練集輸入到殘差網絡單元，由殘差網絡對原始數據進行特征提取；然后將殘差網絡單元輸出的特征向量，輸入至基于注意力機制的門控神經網絡單元，通過GRU單元提取原始數據中的時序特征，GRU單元隱藏層的輸出經過Attention單元的加權處理后輸出，通過調整權重使對數據變化趨勢影響比較大的特征數據，對預測結果影響比較大；

步驟3，將測試集輸入完成訓練的預測系統中進行預測，得到測試預測值；

步驟4，基于測試預測值及實際值對預測系統的性能進行評價；

步驟5，判斷預測系統的性能是否滿足要求；如果未滿足要求，返回步驟2；如果滿足要求，進入步驟6；

步驟6，將符合預測系統輸入格式的當前礦山開采原材料價格數據，輸入至滿足要求的預測系統中，由預測系統輸出未來的礦山開采原材料價格數據。

7.根據權利要求6所述的基于深度學習的礦山開采原材料價格預測方法，其特征在于，步驟4中，基于測試預測值及實際值，采用均方根誤差、平均絕對誤差、平均絕對百分比誤差和擬合優度決定系數四個評價指標，綜合對預測系統的性能進行評價。