Resumen

Dado que los atributos de materias primas y financieros del petróleo crudo tendrán un impacto a largo o corto plazo en los precios del petróleo crudo, proponemos un enfoque de modelo de aprendizaje automático de desdimensionamiento para predecir los precios internacionales del petróleo crudo. Primero, utilizamos análisis de componentes principales (PCA), escala multidimensional (MDS) y métodos de incrustación lineal local (LLE) para reducir las dimensiones de los datos. Luego, basándonos en la red neuronal recurrente (RNN) y los modelos de memoria a largo y corto plazo (LSTM), construimos ocho modelos para predecir los precios futuros y spot del petróleo crudo internacional. A partir del análisis y la comparación de los resultados de predicción, encontramos que reducir la dimensión de los datos puede mejorar la precisión del modelo y la aplicabilidad de los modelos RNN y LSTM. Además, los modelos LLE-RNN/LSTM pueden capturar de manera más exitosa las características no lineales de los precios del petró

• Materias:Modelo Matemático Gestión ambiental Sistemas dinámicos Datos estructurales Sistema inalámbrico
• Subjects:Mathematical model Environmental management Dynamic systems Structural data Wireless system
• Palabras claves:Bien; Atributos financieros; Precios del petróleo crudo; Modelo de aprendizaje automático; Análisis de componentes principales; Red neuronal recurrente
• Keywords:Commodity; Financial attributes; Crude oil prices; Machine learning model; Principal component analysis; Recurrent neural network