{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部分”：[[2024,1,21]]，“日期-时间”：“2024-01-21T08:47:35Z”，“时间戳”：1705826855157}，“参考-计数”：20，“出版商”：“富士科技出版社”，“问题”：“4”，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“国家自然科学基金中国“，“doi-asserted-by”：“publisher”，“award”：[“61001174”]}，{“doi”：“10.13039\/501100006606”，“name”：“天津市自然科学基金”，“doi-asserted-by”：”publisher“，”award“：[”13JCYBJC17700“]}：false}，“short-container-title”：[“JACIII”，“J.Adv.Compute.Intell.Intell.Inform.”]，“published-print”：{“date-parts”：[[2022,7,20]]}，”抽象“：”为了预测股票价格，本文提出了一种基于多因素分析的CNN-GRUA-FC时间序列预测模型。首先，我们使用随机森林算法评估因子序列的重要性，选择更重要的因子序列作为后续预测模型的输入。然后利用卷积神经网络（CNN）提取股票数据的空间特征进行预测，利用门限递归单元（GRU）神经网络提取股票数据动态特征并进行预测。此外，我们将注意力机制与GRU神经网络（GRUA）相结合，以提高其预测性能。最后，将两个不同子模型的预测结果通过完全连接（FC）层，以获得最终预测。结果表明，本文提出的CNN-GRUA-FC预测模型的预测精度高于其他模型<\/jats:p>“，”DOI“：”10.20965\/jacii.2022.p0600“，”type“：”journal-article“，”created“：{”date-parts“：[2022,7,19]]，”date-time“：”2022-07-19T15:02:21Z“，”timestamp“：1658242941000}，”page“：“600-608”，“source”：“Crossref”，“is-referenced-by-count”：3，“title”：[“CNN-GRUA-FC基于多因素分析的股价预测模型”]，“前缀“：”10.20965“，”卷“：”26“，”作者“：[{”给定“：”舒英“，”家庭“：”杨“，”序列“：”第一“，”隶属关系“：[]}，{”名称“：”天津理工大学计算机科学与工程学院，天津市西青区滨水西道路391号，300384，“序列”：“第一”，“隶属关系”：[]]，{“给定”：“海明”，“家庭”：“郭”，“序列“：“附加”，“affiliation“：[]}，{“given”：“Junguang”，“family”：“Li”，“sequence”：“additional”，“affiliation:[]}]，“member”：“8550”，“published-online”：{“date-parts”：[[2022,7,20]]}、“reference”：[{“key”：”key-10.20965\/jacii.2022.p0600-1“，”doi-asserted-by“：”crossref“，”unstructured“：”A.A.Ariyo，A.O.Adewumi，and C.K。Ayo，使用ARIMA模型进行股价预测，2014年UKSim-AMSS第16届计算机建模与仿真国际会议，第106-112页，doi:10.1109，2014年。“，“doi”：“10.1109，UKSim.2014.67”}，{“key”：“key-10.20965，jacii.2022.p0600-2”，“unstructured”：“W.Lina and X。董荣，基于ARMA模型的经济非平稳时间序列预测分析，武汉理工大学交通科学与工程学报，第01期，第133-136页，2004。“}，{”key“：”key-10.20965\/jacii.2022.p0600-3“，”unstructured“：”M.Zhou，Y.Nie，G.Li等，基于小波分析的ARIMA小时电价预测方法，《电力系统技术》，第09期，第50-55页，2005年（中文版）。Bijari和G.A.R.Ardali，使用模糊逻辑和人工神经网络（ANN）改进自回归综合移动平均模型，神经计算，第72卷，第4-6期，第956-967页，2009年。“，“DOI”：“10.1016\/j.neucom.2008.04.017”}，{“key”：“key-10.20965\/jacii.2022.p0600-5”，“DOI-asserted-by”：“crossref”，“unstructured”：“L.F。S.Vilela，R.C.Leme，C.A.M.Pinheiro等人，《使用聚类方法和支持向量回归预测金融序列》，《201d人工智能评论》，第52卷，第2期，第743-773页，2019年。“，“DOI”：“10.1007”，{“key”：“key-10.20965”，jacii.2022.p0600-6”，“非结构化”：“H.Liu和Y。Hou，\u201C贝叶斯神经网络在股票时间序列预测中的应用，\u201d计算机工程与应用，第55卷，第2期，第225-229+2442019页（中文）。“}，{”key“：”key-10.20965\/jacii.2022.p0600-7“，”doi-asserted-by“：”crossref“，”unstructured“：”M.Qiu，Y.Song，and F.Akagi，\u201c人工神经网络在股市收益预测中的应用：日本股市案例，\u201 d Chaos，Solitons&Fractals，第85卷，第1-7页，2016。“，”doi“：”10.1016\/j.Chaos.2016.01.004“}”，{“key“：”key-10.20965 \/jacii.2022.p0600-8“，”doi-asserted-by“：”crossref“，”unstructured“：”S.Siami-Namini，N.Tavakoli，and A.Siami Namin，《预测时间序列中ARIMA和LSTM的比较》，2018年第17届IEEE国际机器学习与应用大会（ICMLA），第1394-1401页，doi:10.1109 \/IMMLA.2018.00227，2018年。“，doi”：“10.1109，ICMLA.2018.00227“}，{“key”：“key-10.20965”，“jacii.2022.p0600-9”，“doi-asserted-by”：“crossref”，“unstructured”：“F.Shen，J.Chao，and J.Zhao，使用深信度网络和共轭梯度法预测汇率，201d Neurocomputing，Vol.167，pp.243-253，2015。”，“doi”：“10.1016”，J.neucom.2015.04.071“}key-10.20965 \/jacii.2022.p0600-10“，”doi-asserted-by“：”crossref“，”unstructured“：”J.Zhao，D.Zeng，S.Liang等人，基于递归神经网络的股价趋势预测模型，\u201d J.Ambient Intell。人类。计算。，第12卷，第745-753页，2021年。“，“DOI”：“10.1007”，{“key”：“key-10.20965”，jacii.2022.p0600-11“，“DOI-asserted-by”：“crossref”，“unstructured”：“A.Tsantekidis，N.Passalis，A.Tefas et al.，\u201c使用卷积神经网络从极限指令簿预测股价，2017 IEEE第19届商业信息学会议（CBI），第7-12页，doi:10.1109，CBI.2017.23，2017。“，“doi”：“10.1109”，{“key”：“key-10.20965”，jacii.2022.p0600-12“，“doi-asserted-by”：“crossref”，“unstructured”：“M.Hiransha，E.A.Gopalakrishnan，V.K.Menon等人，使用深度学习模型进行NSE股市预测，《Procedia Computer Science》，第132卷，第1351-1362页，2018年。”，“DOI“：”10.1016\/j.procs.2018.05050“}，{“key”：“key-10.20965\/jacii.2022.p0600-13”，“DOI-asserted-by”：“crossref”，“unstructured”：“G.P.Zhang，使用混合ARIMA和神经网络模型进行时间序列预测，\u201d Neurocomputing，第50卷，第159-175页，2003。”，“DOI”：“10.1016\/S0925-2312（01）00702-0”}，“key“key-10.20965 \/jacii.2022.p0600-14“，”doi-asserted-by“：”crossref“，”unstructured“：”Z.Xu，J.Zhang，J.Wang等人，基于深度学习的金融时间序列预测研究，\u201d软计算。，第24卷，第8295-83122020页，doi:10.1109\/ICACAT.2018.8933791，2018.“，”doi“：”10.1109\/ICAT.2018.933791“}，{“key”：“key-10.20965\/jacii.2022.p0600-16”，“unstructured”：“L.Hang，\u201cStatistical Learning Methods，\u201 d清华大学出版社，2012.”}，“key“：”key-10.201965\/Jacii.2022.p0600-17“，”unstructure“：”C.Dewi and R.-C。Chen，\u201cRandom forest and support vector machine on features selection for regression analysis，《创新计算、信息与控制国际期刊》，第15卷，第6期，第2027-2037页，2019年。Schmidhuber，长短期记忆，神经计算，第9卷，第8期，第1735-1780页，1997年。Gulcehre等人，《使用RNN编码器-解码器进行统计机器翻译的学习短语表示法》，《自然语言处理经验方法会议》（EMNLP），第1724-1734页，2014年。“，“DOI”：“10.3115\/v1\/D14-1179”}，{“key”：“key-10.20965\/jacii.2022.p0600-20”，“非结构化”：“J.Chung，C.Gulcehere，K。Cho等人，《门控递归神经网络对序列建模的实证评估》，NIPS 2014年深度学习研讨会，2014年。“}]，“容器-时间”：[“高级计算智能与智能信息学杂志”]，“原始标题”：[]，“语言”：“en”，“链接”：[{“URL”：“https:\/\/www.fujipress.jp\/main\/wp-content\/themes\/fujipress\/hyosetsu.php？ppno=JACIL002600040017“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2022,7,19]]，”date-time“：“2022-07-19T15:05:04Z”，”timestamp“：1658243104000}，”score“：1，”resource“：”{“primary”：{“URL”：“https://www.fujipress.jp\/jaciii\/jc\/jaciai 002600040600“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[2022,7,20]]}，”references-count“：20，”journal-issue“：{”issue“：”4“，”published-online“：{》date-part“：[2022,7,20]]}、”published-print“：”date-ports“：[2022,7,20]]}}，“URL”：“http://\/dx.doi.org\/10.20965\/jacii.2022.p0600”，“relation”：{}，“ISSN”：[“1883-8014”，“1343-0130”]，“ISSN-type”：[{“value”：“1883-814”，“type”电子“}，{”值“：”1343-0130“，”类型“：”打印“}]，”主题“：[]，”发布“：{”日期部分“：[2022,7,20]]}}}