基于Django与深度学习的股票预测系统 计算机竞赛

news2024/11/16 5:33:10

文章目录

  • 0 前言
  • 1 课题背景
  • 2 实现效果
  • 3 Django框架
  • 4 数据整理
  • 5 模型准备和训练
  • 6 最后

0 前言

🔥 优质竞赛项目系列，今天要分享的是

🚩 **基于Django与深度学习的股票预测系统 **

该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！

🥇学长这里给一个题目综合评分(每项满分5分)

  • 难度系数：3分
  • 工作量：3分
  • 创新点：5分

🧿 更多资料, 项目分享：

https://gitee.com/dancheng-senior/postgraduate

在这里插入图片描述

1 课题背景

随着经济的发展，我国的股票市场建设正不断加强，社会直接融资正获得重要发展。股票市场行情的涨落与国民经济的发展密切相关。股票作为一种资本融资和投资的工具，是一种资本的代表形式，股票市场可以让上市公司便捷地在国内和国际市场融资。个人投资者、投资机构期望通过技术手段进行投资分析，能够从股票市场获得一定相对高额的投资收益。

2 实现效果

主界面
在这里插入图片描述
详细数据查看
在这里插入图片描述
股票切换
在这里插入图片描述

相关html

​
DOCTYPE html>



股票预测系统title><br/> {% load static %}<br/>

3 Django框架

Django是一个基于Web的应用框架，由python编写。Web开发的基础是B/S架构，它通过前后端配合，将后台服务器的数据在浏览器上展现给前台用户的应用。Django本身是基于MVC模型，即Model（模型）+View（视图）+
Controller（控制器）设计模式，View模块和Template模块组成了它的视图部分，这种结构使动态的逻辑是剥离于静态页面处理的。
Django框架的Model层本质上是一套ORM系统，封装了大量的数据库操作API，开发人员不需要知道底层的数据库实现就可以对数据库进行增删改查等操作。Django强大的QuerySet设计能够实现非常复杂的数据库查询操作，且性能接近原生SQL语句。Django支持包括PostgreSQL、My
Sql、SQLite、Oracle在内的多种数据库。Django的路由层设计非常简洁，使得将控制层、模型层和页面模板独立开进行开发成为可能。基于Django的Web系统工程结构示意图如图所示。

在这里插入图片描述

从图中可以看到，一个完整的Django工程由数个分应用程序组成，每个分应用程序包括四个部分：

urls路由层 ：决定Web系统路由结构，控制页面间的跳转和数据请求路径

在这里插入图片描述

views视图层
：业务层，主要进行逻辑操作和运算，是前端页面模板和后端数据库之间的桥梁。Django框架提供了大量的数据库操作API，开发人员甚至不需要使用SQL语句即可完成大部分的数据库操作。
在这里插入图片描述

models模型层
：Web应用连接底层数据库的关键部分，封装了数据库表结构和实现。开发人员可以在Model层按照Django的指令要求进行建表，无须使用SQL语句或者第三方建表工具进行建表。建表的过程类似于定义变量和抽象编程语言中的类，非常方便。

在这里插入图片描述

templates模板层
：HTML模板文件，后端数据会填充HTML模板，渲染之后返回给前端请求。考虑到项目周期尽可能小，尽快完成平台的搭建，项目决定采用开源的Django框架开发整个系统的Web应用层。

在这里插入图片描述
关键代码

​
def main():
os.environ.setdefault(‘DJANGO_SETTINGS_MODULE’, ‘ExamOnline.settings’)
try:
from django.core.management import execute_from_command_line
except ImportError as exc:
raise ImportError(
"Couldn’t import Django. Are you sure it’s installed and "
"available on your PYTHONPATH environment variable? Did you "
“forget to activate a virtual environment?”
) from exc
execute_from_command_line(sys.argv)

​
​

4 数据整理

对于LSTM来说，至少需要两步整理过程:

  • 归一化
  • 变成3D样本（样本，时间步，特征数）

对于神经网络来说，归一化至关重要。如果缺失，会无法顺利训练和学习，俗称：Train不起来。对于LSTM来说，更为重要，因为LSTM内部包含tanh函数使得输出范围在-1到1之间。这就需要我们将预测值也进行归一化，常见的做法就是直接归一化到0和1之间。

将一般的特征X和目标y变成3D，我这里提供了一个函数，输入为原始的X_train_raw,X_test_raw,y_train_raw,y_test_raw。​n_input
为需要多少步历史数据，n_output为预测多少步未来数据。

​
def transform_dataset(train_set, test_set, y_train, y_test, n_input, n_output):
all_data = np.vstack((train_set, test_set))
y_set = np.vstack((y_train, y_test))[:,0]
X = np.empty((1, n_input, all_data.shape[1]))
y = np.empty((1, n_output))
for i in range(all_data.shape[0] - n_input - n_output):
X_sample = all_data[i:i + n_input, :]
y_sample = y_set[i + n_input:i + n_input + n_output]
if i == 0:
X[i] = X_sample
y[i] = y_sample
else:
X = np.append(X, np.array([X_sample]), axis=0)
y = np.append(y, np.array([y_sample.T]), axis=0)
train_X = X[:train_set.shape[0] - n_input, :, :]
train_y = y[:train_set.shape[0] - n_input, :]
test_X = X[train_set.shape[0] -
n_input:all_data.shape[0] -
n_input -
n_output, :, :]
test_y = y[train_set.shape[0] -
n_input:all_data.shape[0] -
n_input -
n_output, :]
return train_X, train_y, test_X, test_y

5 模型准备和训练

Keras已经包含LSTM
网络层，调用方式和普通的神经网络没有特别大的区别，仅仅需要指定输入数据的shape。这里我们设计一个简单的神经网络，输入层为LSTM，包含20个节点，输出层为普通的Dense，损失函数采用mean_absolute_error。

​
n_timesteps, n_features, n_outputs = train_X.shape[1], train_X.shape[2], train_y.shape[1]
# create a model
model = Sequential()
model.add(LSTM(10, input_shape=(n_timesteps, n_features),kernel_initializer=‘glorot_uniform’,
kernel_regularizer=regularizers.l2(0.0),return_sequences=False))
#model.add(LSTM(20, input_shape=(n_timesteps, n_features),kernel_initializer=‘glorot_uniform’,
# kernel_regularizer=regularizers.l2(0.0)))

model.add(Dense(n_outputs,kernel_initializer='glorot_uniform',
                kernel_regularizer=regularizers.l2(0.0)))

model.compile(optimizer='adam', loss='mean_absolute_error')
print(model.summary())

调用fit函数对训练集进行学习。由于时间序列具有很明显的趋势，因此有必要将样本打乱。这里需要说明：我们打乱的是“样本”，不影响每个样本内在的序列关系。LSTM只会根据样本内在的序列关系（时间步）来更新自己的隐状态。

​
from sklearn.utils import shuffle
train_X,train_y = shuffle(train_X,train_y,random_state=42)
plt.plot(train_y)
# fit the RNN model
history = model.fit(
train_X,
train_y,
epochs=300,
batch_size=512,
validation_split=0.3)
figure = plt.Figure()
plt.plot(history.history[‘loss’],
‘b’,
label=‘Training loss’)
plt.plot(history.history[‘val_loss’],
‘r’,
label=‘Validation loss’)
plt.legend(loc=‘upper right’)
plt.xlabel(‘Epochs’)
plt.show()

查看loss曲线，确保训练已经稳定。
在这里插入图片描述

6 最后

🧿 更多资料, 项目分享：

https://gitee.com/dancheng-senior/postgraduate

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1113825.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

食品添加剂：健康还是危险？——从肠道微生物角度分析

食品添加剂：健康还是危险？——从肠道微生物角度分析

谷禾健康 就在前不久&#xff0c;世界卫生组织将阿斯巴甜列为可能致癌物&#xff0c;引发了人们不小的热议。阿斯巴甜作为人工甜味剂的一种&#xff0c;不提供任何卡路里&#xff0c;就可以提供蔗糖几百倍的甜度。 人工甜味剂几乎不提供热量&#xff0c;或只提供极少的热量&…
阅读更多...
最新最全计算机专业毕业设计选题精华汇总-持续更新中

最新最全计算机专业毕业设计选题精华汇总-持续更新中

文章目录 0 前言1 计算机毕设选题推荐2 开题指导3 最后 0 前言 大家好&#xff01;大四的同学们毕业设计即将开始了&#xff0c;你们做好准备了吗&#xff1f; 学长给大家精心整理了最新的计算机毕业设计选题&#xff0c;希望能为你们提供帮助。如果在选题过程中有任何疑问&a…
阅读更多...
Spring篇---第六篇

Spring篇---第六篇

系列文章目录 文章目录 系列文章目录一、Spring 框架中的单例 Bean 是线程安全的么？二、Spring 是怎么解决循环依赖的？三、说说事务的隔离级别一、Spring 框架中的单例 Bean 是线程安全的么？ Spring 框架并没有对单例 Bean 进行任何多线程的封装处理。 关于单例 Bean 的线程…
阅读更多...
【广州华锐互动】利用VR开展建筑塔吊安全操作学习的好处？

【广州华锐互动】利用VR开展建筑塔吊安全操作学习的好处？

随着科技的不断发展&#xff0c;虚拟现实&#xff08;VR&#xff09;技术已经逐渐渗透到各个领域&#xff0c;为人们的生活带来了前所未有的便利。在工程教育领域&#xff0c;VR建筑塔吊安全操作学习作为一种新型的教学手段&#xff0c;正逐渐成为提高教学质量和培养高素质工程…
阅读更多...
《深入理解java虚拟机 第三版》学习笔记二

《深入理解java虚拟机 第三版》学习笔记二

第 4 章 虚拟机性能监控、故障处理工具 4.2 基础故障处理工具 4.2.1 jps&#xff1a;虚拟机进程状况工具 可以列出正在运行的虚拟机进程&#xff0c;并显示虚拟机执行主类&#xff08;Main Class&#xff0c;main()函数所在的类&#xff09;名称以及这些进程的本地虚拟机唯一…
阅读更多...
36v转变5V5A车充降压芯片

36v转变5V5A车充降压芯片

需要一款将36V降压为5V 5A的车载充电器降压芯片。 根据你的需求&#xff0c;推荐使用AH1514芯片作为替代选项。AH1514芯片具有广泛的输入电压范围&#xff08;7V至38V&#xff09;和20A的峰值输出电流&#xff0c;适合车载电源应用。它采用SSOP10封装&#xff0c;具备外置MOS管…
阅读更多...
新技术：WEB组态能页面嵌套、属性继承吗？

新技术：WEB组态能页面嵌套、属性继承吗？

目前市面上的工业组态或数据大屏工具有不少&#xff0c;也有很多0代码、无代码、低代码、零代码、低代码概念。 有没有可以支持图纸嵌套、属性暴露的&#xff1f;或者说页面任意嵌套、属性多继承暴露到上层&#xff1f; 比如页面A有输入框&#xff0c;页面B有对话框&#xff…
阅读更多...
AI猫咪穿搭也太萌了！用AI写出好故事的22条诀窍；吴恩达AI新课预告；2024年十大战略技术趋势 | ShowMeAI日报

AI猫咪穿搭也太萌了！用AI写出好故事的22条诀窍；吴恩达AI新课预告；2024年十大战略技术趋势 | ShowMeAI日报

&#x1f440;日报&周刊合集 | &#x1f3a1;生产力工具与行业应用大全 | &#x1f9e1; 点赞关注评论拜托啦&#xff01; &#x1f525; 可口可乐与好利来跨界联名&#xff0c;推出与AI共创的新品巧克力 继「酱香拿铁」后又有一款跨界合作让人眼前一亮——可口可乐与好利来…
阅读更多...
macOS下matplotlib如何显示中文字体？

macOS下matplotlib如何显示中文字体？

一般要显示中文会使用&#xff1a; plt.rcParams[font.sans-serif][SimHei] #用来正常显示中文标签 plt.rcParams[axes.unicode_minus]False #用来正常显示负号不过在macOS下通常会显示方块字&#xff1a; 解决方案&#xff1a; 把上面两句注释掉&#xff0c;更换为&#xf…
阅读更多...
【C语言】指针错题（类型分析）

【C语言】指针错题（类型分析）

题目&#xff1a; #include <stdio.h> int main () {int*p NULL;int arr[10] {0}; return 0; } 选项&#xff1a; A、p arr ; B、 int (* ptr )[10]& arr ; C、 p & arr [ 0 ]; D、 p & arr ; 解析&#xff1a; 1、 p 是一个指针变量&#xff0c;指…
阅读更多...
基于python开发的IP修改工具

基于python开发的IP修改工具

工作中调试设备需要经常修改电脑IP&#xff0c;非常麻烦&#xff0c;这里使用Pythontkinter做了一个IP修改工具 说明: 1.启动程序读取config.json文件2.如果没有该文件则创建&#xff0c;写入当前网卡信息3.通过配置信息进行网卡状态修改4.更新文件状态&#xff0c;删除或修…
阅读更多...
贝叶斯网络：架构和工作解释

贝叶斯网络：架构和工作解释

一、介绍 在当今快速发展的人工智能 &#xff08;AI&#xff09; 世界中&#xff0c;对可解释 AI 的需求变得比以往任何时候都更加重要。随着人工智能系统越来越多地融入我们日常生活的各个方面&#xff0c;了解这些系统如何做出决策并为其行为提供解释至关重要。贝叶斯网络是一…
阅读更多...
Odoo自动编码 亲测

Odoo自动编码 亲测

方案一&#xff1a;代码实现自动编号 优点&#xff1a;如果移植程序后&#xff0c;不需要重新配置 缺点&#xff1a;不方便 代码结构&#xff1a; 1、XML代码 a、建一个qhdata文件夹&#xff0c;新建一个xml文件qhdata/qh_sequence.xml <?xml version"1.0"…
阅读更多...
如何开发出来一款解决抖音本地生活的软件营销工具？

如何开发出来一款解决抖音本地生活的软件营销工具？

一、智能剪辑、矩阵分发、无人直播、爆款文案于一体独立应用开发 抖去推----主要针对本地生活的----移动端(小程序软件系统&#xff0c;目前是全国源头独立开发)&#xff0c;开发功能大拆解分享&#xff0c;功能大拆解&#xff1a; 7大模型剪辑法&#xff08;数学阶乘&#x…
阅读更多...
4、Kafka 消费者

4、Kafka 消费者

5.1 Kafka 消费方式 5.2 Kafka 消费者工作流程 5.2.1 消费者总体工作流程 5.2.2 消费者组原理 Consumer Group&#xff08;CG&#xff09;&#xff1a;消费者组&#xff0c;由多个consumer组成。形成一个消费者组的条件&#xff0c;是所有消费者的groupid相同。 • 消费者组内…
阅读更多...
docker运行redis镜像

docker运行redis镜像

很多项目会用到redis作为缓存用到项目中&#xff0c;鉴于刚了解过docker&#xff0c;今天这里用docker运行redis镜像&#xff0c;这样下载&#xff0c;安装运行&#xff0c;或者是使用后的删除都会干净&#xff0c;简单。 好了&#xff0c;第一步是先拉取镜像&#xff0c;使用d…
阅读更多...
C++前缀和算法的应用：DI序列的有效排列的原理、源码及测试用例

C++前缀和算法的应用：DI序列的有效排列的原理、源码及测试用例

本文涉及的基础知识点 C算法&#xff1a;前缀和、前缀乘积、前缀异或的原理、源码及测试用例 包括课程视频 题目 给定一个长度为 n 的字符串 s &#xff0c;其中 s[i] 是: “D” 意味着减少&#xff0c;或者 “I” 意味着增加 有效排列 是对有 n 1 个在 [0, n] 范围内的整数…
阅读更多...
短视频矩阵系统源码（搭建）

短视频矩阵系统源码（搭建）

短视频矩阵源码的开发路径分享如下&#xff1a; 1、首先&#xff0c;确定项目需求和功能&#xff0c;包括用户上传、编辑、播放等。 2、其次&#xff0c;搭建开发环境&#xff0c;选择合适的开发工具和框架。 3、然后&#xff0c;进行项目架构设计和数据库设计&#xff0c;确…
阅读更多...
正点原子嵌入式linux驱动开发——Linux内核定时器

正点原子嵌入式linux驱动开发——Linux内核定时器

定时器是最常用到的功能&#xff0c;一般用来完成定时功能&#xff0c;本章就来学习一下Linux内核提供的定时器API函数&#xff0c;通过这些定时器API函数可以完成很多要求定时的应用。 Linux内核也提供了短延时函数&#xff0c;比如微秒、纳秒、毫秒延时函数&#xff0c;本章就…
阅读更多...
shell命令行参数

shell命令行参数

#!/bin/bash echo "Number of arguments: $#"echo "All arguments as a single string: $*"echo "All arguments as a single string: $0,$1,$2" for i in "$" doecho "这是第 $i 次循环" done
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023