[发明专利]一种汇率预测方法

权利要求书

1.一种汇率预测方法，其特征在于，包括如下步骤：

获取若干条汇率的浮动数据，得到汇率的原始数据集；

构建CNN-BiGRU-Att模型，所述CNN-BiGRU-Att模型包括CNN层、BiGRU层以及Attention层；

将原始数据集中的数据输入所述CNN-BiGRU-Att模型，通过所述CNN层提取数据的局部特征，同时使用所述BiGRU层双向提取数据的时序特征；通过所述Attention层对局部特征与时序特征进行加权求和，获得最终预测结果。

2.如权利要求1所述的一种汇率预测方法，其特征在于，通过所述CNN层提取数据的局部特征，具体包括如下步骤：

将原始数据集中的batch_size数据输入所述CNN的Conv1D层，其中每个batch_size的数据为5*4矩阵；

通过所述Conv1D层中16个一定长度和宽度的卷积核与每个batch_size的数据进行卷积运算，得到5*16矩阵；

将所述5*16矩阵输入CNN的Maxpooling层，每一列只保留最大值，得到1*16矩阵；

所述最终数据格式为：None，1，16，其中None为输入batch_size的大小。

3.如权利要求2所述的一种汇率预测方法，其特征在于，所述使用BiGRU层双向提取数据的时序特征，包括如下步骤：

通过一对向前和向后的GRU分别从正向和反向提取所述1*16矩阵中数据的序列特征；

将两个输出的所述序列特征拼接起来得到最终的结果。

4.如权利要求3所述的一种汇率预测方法，其特征在于，所述通过一对向前和向后的GRU分别从正向和反向去提取序列特征，其具体的计算过程为：

z_t＝σ(w_z*[h_t-1,x_t]+b_z)

r_t＝σ(w_r*[h_t-1,x_t]+b_r)

其中，z_t表示向前的GRU从正向提取序列特征，r_t表示向后的GRU从反向提取序列特征，σ表示所用到的激活函数，x_t为t时刻的输入，w_z和w_r分别对应更新门和重置门的权重矩阵，b_z和b_r分别对应其偏置。

5.如权利要求4所述的一种汇率预测方法，其特征在于，所述将两个输出的所述序列特征拼接起来得到最终的结果，其具体的计算过程为：

其中，为t时刻的一个候选状态，h_t为t时刻的隐藏状态值，内部激活函数为tanh函数。

6.如权利要求5所述的一种汇率预测方法，其特征在于，通过所述Attention层对局部特征与时序特征进行加权求和，包括如下步骤：

对经过BiGRU层的隐藏状态h_t使用tanh函数进行非线性变换，得到新的状态表示λ_t；

对λ_t进行加权处理，得到注意力权值a_t；

根据注意力的权重对隐藏状态h_t进行加权运算，得到最终新的特征向量v_t，具体公式如下：

λ_t＝tanh(w_t*h_t+b_t)

v_t＝Σ_tα_t*h_t

其中，w_t为BiGRU层的权重矩阵，b_t为权重矩阵的偏置。