融合认知大模型和多模态深度学习的电解铜需求预测方法

本发明涉及计算机集成预测，特别提供一种融合认知大模型和多模态深度学习的电解铜需求预测方法。

背景技术：

1、随着全球经济的持续发展和工业化进程的加速，电解铜的需求呈现日益增长的态势。作为一种与人类生产生活紧密相连的有色金属，电解铜被广泛应用于电气、轻工、机械制造、建筑工业以及国防工业等多个领域。在电解铜的生产过程中，粗铜(含铜99％)被预先制成厚实的阳极板，而纯铜则被制成薄片作为阴极。电解液则是由硫酸和硫酸铜的混合物组成。当电流通过这一系统时，铜从阳极溶解成为铜离子(cu)并朝阴极方向移动。在阴极，铜离子获得电子并最终以纯铜的形式析出。由此生成的铜板被称为“电解铜”。

2、为了确保电解铜的需求预测具有较高的精度和可靠性，预测时必须深入分析其影响因素。然而，电解铜的需求受到多重因素的共同作用，包括供求关系、宏观经济环境、政策法规、国际贸易形势以及生产成本等。这些因素之间相互影响，使得电解铜需求波动具有极大的不确定性。此外，电解铜市场数据的来源广泛且复杂，涉及生产商、贸易商和消费者等多个利益相关方。这导致数据的准确性和及时性难以保证，进一步增加了需求预测的难度。同时，电解铜需求的时间序列数据波动幅度较大，这无疑为需求预测带来了更大的挑战。

3、传统的统计学方法在需求预测中的应用存在一些局限性。尽管这些方法在数据分析中具有一定的基础，但其预测精度却不尽如人意。究其原因，一方面是这些方法主要基于历史数据进行静态分析，难以适应市场环境的动态变化，导致预测结果滞后。另一方面，这些方法在时效性和预测精度之间存在固有的矛盾，难以同时满足这两方面的要求。与此同时，机器学习方法在需求预测中也面临一些挑战。虽然机器学习方法在处理大规模数据集方面具有一定的优势，但其预测精度在很大程度上取决于特征的选择和训练数据的完整性。如果特征选择不当或缺失重要特征，将会对预测结果产生不利影响，导致预测结果不够客观。此外，机器学习模型的解释性相对较弱，难以对预测结果进行深入分析和解释。因此，传统的统计学方法和机器学习方法在电解铜需求预测中均存在一定的局限性。

技术实现思路

1、本发明是为了解决上述现有技术存在的不足之处，提出一种融合认知大模型和多模态深度学习的电解铜需求预测方法，以期能提高电解铜需求的预测精度和可靠性，从而为锂电企业制定电解铜的采购计划提供参考，以有效控制采购成本，并避免库存积压或短缺。

2、本发明为达到上述发明目的，采用如下技术方案：

3、本发明一种融合认知大模型和多模态深度学习的电解铜需求预测方法的特点在于，包括以下步骤：

4、步骤1、根据电解铜需求的影响因素，利用大语言模型生成电解铜需求的文本数据q＝{q1，q2，...，qi，...，qn}，其中，qi表示第i个文本信息，n表示文本信息的数量；

5、对qi进行词嵌入，得到词向量wi＝{wi，1，wi，2，...，wi，p，...，wi，p}，其中，wi，p表示qi中第p个词向量，p∈[1，p]，p表示词向量的长度，从而得到q的词向量集合w＝{w1，w2，...，wi，...，wn}；

6、获取电解铜需求的数值数据x＝{x1，x2，...，xi，...，xn}，其中xi表示第i条电解铜需求的数值数据，i∈[1，n]；

7、构建电解铜需求的指标体系h＝{h1，h2，...，hi，...，hn}，其中，hi表示第i个指标，且其中，ki，n表示第i个指标hi中的第n个参数，n∈[1，ni]，ni表示hi的参数总数；

8、步骤2、构建电解铜需求预测模型，包括：双通道特征提取模型、多头注意力机制模型以及全连接层与激活函数；

9、步骤2.1、构建所述双通道特征提取模型，包括：bigru模型和cnn模型，用于提取电解铜需求的指标特征与文本特征；

10、步骤2.2、构建多头注意力机制模型，用于融合指标特征与文本特征，得到融合特征rf：

11、步骤2.3、融合特征rf依次经过全连接层和激活函数的处理后，得到电解铜需求的预测值；

12、步骤3、以xi和及其电解铜需求预测值构建适应度函数，利用凌日优化算法对所述电解铜需求预测模型的参数组合fr＝(f，α)进行参数优化，从而得到最优参数组合用于构建最优电解铜需求预测模型，并用于预测电解铜需求，其中，f表示卷积核尺寸，α表示神经元个数，f*表示最优卷积核尺寸，α*表示最优神经元个数。

13、本发明所述的一种融合认知大模型和多模态深度学习的电解铜需求预测方法的特点也在于，所述步骤2.1包括以下步骤：

14、步骤2.1.1、所述bigru模型对指标体系h进行特征提取，得到指标特征集合rq＝{rq，1，rq，2，...，rq，i，...，rq，n}；其中，rq，i表示第i个指标特征；

15、步骤2.1.2、所述cnn模型对词向量集合w进行特征提取，得到文本特征集合rt＝{rt，1，rt，2，...，rt，j，…，rt，n}；其中，rt，j表示第j个文本特征，j∈[1，n]。

16、所述步骤2.2包括以下步骤：

17、步骤2.2.1、利用式(1)和式(2)得到第i个指标特征rq，i与第j个文本特征rt，j之间的相关度eij及其权重αij：

18、eij＝v1tanh(w1[rq，i：rt，j])，1≤i，j≤n    (1)

19、

20、式(1)和式(2)中，v1，w1分别是多头注意力机制模型中待学习的两个网络参数；

21、步骤2.2.2、设置的权重阈值δ，若αij＞δ时，则令s中第i行第i列的元素sij＝1，否则，s中第i行第i列的元素sij＝0，从而得到向量阈值向量矩阵s；

22、步骤2.2.3、对s取反后，得到反阈值矩阵d，从而利用式(3)和式(4)得到正向指标特征rqa和反向指标特征rqb：

23、rqa＝s·rq                               (3)

24、rqb＝d·rq                               (4)

25、步骤2.2.4、将rqa和rqb输入多头注意力机制模型中进行处理，相应得到正向指标特征rqa的查询向量钥匙向量价值向量以及反向指标特征rqb的查询向量钥匙向量价值向量从而利用式(5)得到注意力得分a：

26、

27、式(5)中，softmax表示激活函数，t表示转置；

28、步骤2.2.5、将注意力得分a与正向指标rqa进行点乘后，得到融合特征rf。

29、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述的电解铜需求预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

30、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述的电解铜需求预测方法的步骤。

31、与现有技术相比，本发明的有益效果在于：

32、1.本发明采用前沿的认知大模型获取文本数据，保证了数据连贯性的同时避免传统数据获取方法存在的局限性，如网站爬取易导致数据不完整和数据质量低的问题，从而提高了电解铜需求预测的效率、时效性与准确性。

33、2.本发明结合多模态深度学习，通过高效特征提取技术，对所获取的与电解铜需求有关的数据进行全面分析，深入挖掘与电解铜需求相关的各种特征，从而提高了电解铜需求预测的准确性。

34、3.本发明引入注意力机制加权处理输入数据的不同部分，使模型能够更加关注重要的信息，从而提高了电解铜需求模型的预测精度。

35、4.本发明引入凌日优化算法(transit search optimization algorithm，tsoa)，避免人工选取参数环节的不确定性，并使得电解铜需求预测模型的结构更加合理，带来更高的电解铜需求预测精度的同时，也能保证对序列数据有较强的建模分析能力。相较于传统的参数选择方法，本发明方法无需人工调整，减少不确定性因素影响，能大大减少人力物力。