基于分解重构LSTM的氟化工产品价格预测方法

企业利润受产品价格波动影响,深入分析产品价格变化趋势可以显著提升企业的市场竞争力。由于传统产品销售价格分析无法有效预测市场变化,提出一种基于分解重构的长短期记忆(LSTM)方法,对氟化工产品价格进行分析和预测。该方法首先对特征数据进行预处理,包括缺失值、异常值和归一化处理;然后通过相关系数进行特征选择,并基于集成经验模态分解(EEMD)挖掘数据隐含信息,采用动态时间规整(DTW)算法进行聚类和重构,进而建立LSTM模型进行预测。实验表明,该模型可以提升预测精度、降低计算复杂度,且优于人工神经网络(ANN)和最小支持向量回归(LSSVR)等基准模型。