1.4  技术方案的经济因素分析

    本课题使用基于循环神经网络的LSTM网络模型，对时序数据进行预测。首先，时序数据的获取中，天气预报、环境污染情况等数据难以获取，并且不确定数据准确性。用python内置的雅虎金融接口获得股票交易数据进行时序数据的预测分析是最优的选择。在试验中，因为金融数据具有高噪声和弱平稳性，所以对数据的选择和处理十分重要。但是由于高性能的数据处理花费大量的人力物力，对目标数据的预测结果的提高度也是一个未知数。所以在本次实验中，选择神经网络基础的数据处理方法，并且没有进行对特殊时期的数据的降噪。

1.5  论文章节安排

第一章节主要分析了神经网络的研究背景与意义，并了解了循环神经网络的研究现状。阐述了本文技术方案及其社会影响、经济因素以及本文的论文章节安排。

第二章节主要讲解循环神经网络的理论基础以及长短期记忆模型的研究。

第三章节主要讲述本实验中基于股票预测的长短期记忆模型（LSTM）的创建过程。

第四章节主要涉及本实验中模型的一些改进。

第五章节是本次股票预测实验中的实验结果以及结果的分析。

2  循环神经网络的理论基础

本章节以机器学习与神经网络的理论知识作为基础，研究了传统的BP神经网络模型以及RNN，还有本文重点使用的LSTM。

2.1  机器学习与神经网络

机器学习即赋予计算机学习能力的一门学科。在传统的计算机学习中，计算机通过输入的一连串指令进行工作。而在机器学习中，指令被替换成各种数据，利用数据进行工作正是机器学习的核心概念。随着科技的发展，机器学习的强大能力已经远远超过了人们的想象。计算机和人类不同，能够每天24小时不间断地执行学习任务，所以也有人把机器学习的发展称为“指数型发展”。机器学习领域有众多经典算法，本节重点介绍本课题所使用的神经网络算法。