本文關鍵詞：基于內(nèi)存計算的鋼鐵價格預測算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：鋼鐵生產(chǎn)在國民經(jīng)濟具有舉足輕重的地位，是社會發(fā)展的重要物質(zhì)保障。中國近50年來在鋼鐵行業(yè)有著突飛猛進的發(fā)展。鋼鐵價格的波動對國民經(jīng)濟以及相關行業(yè)帶來深遠的影響。鋼鐵價格波動的因素有很多，既有來自宏觀經(jīng)濟的影響，又會有生產(chǎn)成本，供求關系，國際貿(mào)易，國家政策等諸多的因素。因此，很多國內(nèi)外的學者對鋼鐵價格的預測展開了深入而全面的研究。目前，對鋼鐵價格預測研究的算法主要有線性回歸法，小波分解算法，支持向量機法，聚類分析法等。 在這大數(shù)據(jù)時代，一個好的預測方法可以為決策者提供強有力的決策依據(jù)。其不僅可以準確的預測價格的走勢，還可以預測顧客對商品的需求，從而讓生產(chǎn)者有效的安排生產(chǎn)，減少企業(yè)的庫存，，合理安排物流，提高企業(yè)的生產(chǎn)效率，提高顧客對企業(yè)的滿意程度，綜合提高企業(yè)的競爭力。目前用于預測的方法有很多,但是目前的研究工作比較局限于小數(shù)據(jù)量的預測。在大數(shù)據(jù)時代，如何有效的利用大數(shù)據(jù)進行預測，有及其重要的意義，這樣不僅使得原始數(shù)據(jù)更有說服力，而且可以使得預測更加的精準。重要的是，如果運算的速度足夠快，那么我們就可以使得預測的數(shù)據(jù)實時的展現(xiàn)，可以為決策者提供最有力的數(shù)據(jù)支撐，從而大大提高生產(chǎn)效率。 由于鋼鐵價格具有非線性和因子難以確定的特點，在數(shù)據(jù)挖掘預測分析時候，傳統(tǒng)的預測方法只能對鋼鐵價格進行小數(shù)據(jù)量的分析，導致預測精度低，速度慢，效率低下。隨著大數(shù)據(jù)的深入研究，內(nèi)存計算技術成為研究熱點，用戶對實時數(shù)據(jù)處理技術的需求越來越高。因此，本文在鋼鐵價格預測模型中，引入內(nèi)存計算技術，提出基于內(nèi)存計算的LM-BP神經(jīng)網(wǎng)絡預測算法。利用2002年到2010年的鋼鐵價格、產(chǎn)量、庫存、GDP等數(shù)據(jù)建立預測模型。最后，仿真實驗結果表明，基于內(nèi)存計算的預測模型算法不僅速度快，而且精度高。具體的工作有如下幾個方面： （1）概括總結了現(xiàn)階段鋼鐵價格預測分析中的主流方法，提出本文的研究思路。 （2）介紹了BP神經(jīng)網(wǎng)絡的基礎知識，在前人研究的基礎上總結了BP神經(jīng)網(wǎng)絡的優(yōu)點和缺點，并針對缺點提出了解決方案。并且分析了BP神經(jīng)網(wǎng)絡模型在價格預測中的優(yōu)勢。 （3）介紹了HANA的架構，分析了HANA的內(nèi)存技術的特點。并且分析了HANA中的分析預測庫PAL。 （4）詳細的分析了如何在內(nèi)存計算中構造BP神經(jīng)網(wǎng)絡的模型來預測鋼鐵的價格。包括實驗環(huán)境的配置，以及預測模型的構造和實驗結果分析。
【關鍵詞】：大數(shù)據(jù) 內(nèi)存計算 HANA BP神經(jīng)網(wǎng)絡 LM算法
【學位授予單位】：東華大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F426.31;F764.2;TP183
【目錄】：

• 摘要5-8
• ABSTRACT8-13
• 第1章 緒論13-22
• 1.1 研究課題背景13-15
• 1.1.1 鋼鐵研究背景13-14
• 1.1.2 大數(shù)據(jù)與內(nèi)存計算研究背景14-15
• 1.2 國內(nèi)外預測理論發(fā)展及研究現(xiàn)狀15-19
• 1.2.1 貝葉斯模型15-16
• 1.2.2 ARMA 模型16-17
• 1.2.3 支持向量機預測模型17-18
• 1.2.4 BP神經(jīng)網(wǎng)絡模型18-19
• 1.3 內(nèi)存計算SAP HANA發(fā)展及研究現(xiàn)狀19-20
• 1.3.1 HANA軟件方面19-20
• 1.3.2 HANA硬件方面20
• 1.4 研究意義20-21
• 1.5 本文組織結構21-22
• 第2章 BP神經(jīng)網(wǎng)絡22-31
• 2.1 BP神經(jīng)網(wǎng)絡定義22
• 2.2 BP神經(jīng)網(wǎng)絡模型及其基本原理22-23
• 2.3 基本BP算法公式推導23-26
• 2.4 BP網(wǎng)絡的優(yōu)點以及局限性26-27
• 2.5 BP 算法的改進27-29
• 2.5.1 附加動量法27-28
• 2.5.2 自適應學習速率28-29
• 2.5.3 動量-自適應學習速率調(diào)整算法29
• 2.6 BP神經(jīng)網(wǎng)絡在價格預測中的適用性29-30
• 2.7 本章小結30-31
• 第3章 內(nèi)存計算SAP HANA31-40
• 3.1 SAP HANA 內(nèi)存技術特點31-35
• 3.1.1 高效的并行處理機制31
• 3.1.2 基于內(nèi)存的高效數(shù)據(jù)讀取和處理31-32
• 3.1.3 高效的數(shù)據(jù)壓縮化內(nèi)存利用32
• 3.1.4 行存儲和列存儲的混合模式32-33
• 3.1.5 虛擬建模減少數(shù)據(jù)冗余33-34
• 3.1.6 在數(shù)據(jù)庫層面進行數(shù)據(jù)密集型34-35
• 3.2 SAP HANA系統(tǒng)架構35-37
• 3.2.1 HANA 內(nèi)存計算引擎36
• 3.2.2 HANA工作臺36-37
• 3.2.3 展現(xiàn)層37
• 3.3 SAP HANA 預測分析庫37-39
• 3.3.1 PAL簡介37-38
• 3.3.2 PAL函數(shù)使用步驟38-39
• 3.4 本章小結39-40
• 第4章 鋼鐵價格預測模型構造40-53
• 4.1 鋼鐵價格預測BP神經(jīng)網(wǎng)絡模型設計40-49
• 4.1.1 影響鋼鐵價格主因分析40-41
• 4.1.2 BP神經(jīng)網(wǎng)絡網(wǎng)格設計41-42
• 4.1.3 BP神經(jīng)網(wǎng)絡隱含層節(jié)點數(shù)42-43
• 4.1.4 數(shù)據(jù)的標準化43-45
• 4.1.5 訓練算法選擇45-47
• 4.1.6 LM算法實現(xiàn)47-49
• 4.2 實驗環(huán)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語言集成49-51
• 4.3 結果分析51-52
• 4.3.1 數(shù)據(jù)處理性能對比51-52
• 4.3.2 準確率對比52
• 4.4 本章小結52-53
• 第5章 總結與展望53-55
• 5.1 總結53
• 5.2 工作展望53-55
• 參考文獻55-57
• 攻讀碩士學位期間取得的研究成果57-58
• 致謝58

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前8條

1 王美玲,張長江,付夢印,肖?;一種用于非線性函數(shù)逼近的小波神經(jīng)網(wǎng)絡算法仿真[J];北京理工大學學報;2002年03期

2 師洪濤;楊靜玲;丁茂生;王金梅;;基于小波—BP神經(jīng)網(wǎng)絡的短期風電功率預測方法[J];電力系統(tǒng)自動化;2011年16期

3 余華;吳文全;曹亮;;BP神經(jīng)網(wǎng)絡的改進算法及其應用[J];電腦知識與技術;2009年19期

4 孫紅敏;吳靜婷;李曉明;;基于改進BP神經(jīng)網(wǎng)絡的價格預測模型研究[J];東北農(nóng)業(yè)大學學報;2013年08期

5 鄒柏賢,劉強;基于ARMA模型的網(wǎng)絡流量預測[J];計算機研究與發(fā)展;2002年12期

6 周建華;共軛梯度法在BP網(wǎng)絡中的應用[J];計算機工程與應用;1999年03期

7 彭巖;王萬森;王旭仁;涂序彥;;基于機器學習的風險預測方法研究[J];計算機科學;2009年04期

8 姚立忠;李太福;易軍;蘇盈盈;胡文金;肖大志;;神經(jīng)網(wǎng)絡模型的透明化及輸入變量約簡[J];計算機科學;2012年09期

  本文關鍵詞：基于內(nèi)存計算的鋼鐵價格預測算法研究，由筆耕文化傳播整理發(fā)布。

本文編號：338607