CPPCNDL：基于复杂网络和深度学习算法的原油价格预测  Makumbonori Bristone，Rajesh Prasad，Adamu Ali Abubakar一b,∗一  一尼日利亚阿达马瓦州约拉市尼日利亚美国大学信息技术与计算学院b尼日利亚阿布贾非洲科技大学计算机科学与工程系    A R T I C L E O A B S T R A C T  关键词：  复杂网络分析  深度学习  长短时记忆网络  K核中心度  人工智能  原油价格预测  原油价格预测在产油国是一项具有挑战性的任务。由于原油价格的波动具有高度的不规则性、非线性和动态变化的不确定性，其价格是最复杂、最难建模的价格之一。利用复杂网络分析和深度学习算法的长短期记忆（LSTM），提出了一种原油价格预测的混合模型。利用可视化图这一复杂网络分析工具将数据集映射到网络上，利用K核中心度提取原油的非线性特征，重构数据集。通过复杂网络分析对原始数据进行预处理，提取非线性特征，重构数据。然后，利用LSTM对重建数据进行建模。为了验证这一结论，我们将实证结果与文献中的其他研究进行了比较。实验表明，该模型具有较高的精度，鲁棒性和可靠性。   1介绍 原油是尼日利亚乃至全世界的主要能源来源。原油是尼日利亚经济的主要支柱，在重新定义全球经济，特别是尼日利亚经济方面起着至关重要的作用。原油对尼日利亚经济的影响是双重的[1]。原油价格波动会对国家的经济活动、社会稳定以及国家安全产生间接影响[2]，因此，对其未来的波动进行前瞻性的了解可以在众多管理层做出更好的决策。尼日利亚政府的年度预算始终与国际原油价格的特定数额挂钩，因此，政府的财政和货币政策都容易受到原油价格波动的影响，而原油价格波动通过汇率产生经济绩效[3]。经济学家和研究人员关于原油价格波动的影响和经济表现的长期争论仍未解决。因此，需要尽可能准确地预测原油价格是政府机构、机构和研究机构的主要关注点。由于原油价格的波动具有高度的不规则性、非线性和动态变化的不确定性，原油价格是最复杂、最难建模的价格[4]。原油的反常行为    由西南石油大学负责同行评审。  ∗作者通讯。  由于金融市场的供求、经济增长、技术发展等因素，价格不稳定被判定为价格不稳定，这些因素与油价之间建立了复杂的关系[5]。准确预测原油价格是当今经济学家和学术研究人员面临的最吸引人和最棘手的问题之一，因为原油是全球主要的能源来源之一，其价格变动会干扰总体经济活动。对原油价格的事先了解可被视为对开发、生产过程和政府短期和长期规划做出正确决策所需的关键参数之一，因此，原油价格的任何上涨或下跌都会对经济产生可测量的影响[6]  电子邮件地址：马库姆博诺里.布里斯通@教育部（布里斯顿先生），rprasad@aust.edu.ng（R.普拉萨德），阿达木·阿里@教育部（A.A.阿布巴卡尔）。  https://doi.org/10.1016/j.petlm.2019.11.009  2019年6月19日收到；2019年11月24日以修订格式收到；2019年11月25日接受  2405-6561/版权所有©2020西南石油大学。生产和托管由爱思唯尔B.V.这是一个开放存取的文章下CC by-NC-ND许可证(http://creativecommons.org/licenses/BY-NC-ND/4.0/).  请引用本文为：Makumbonori Bristone，Rajesh Prasad和Adamu Ali Abubakar，石油公司，https://doi.org/10.1016/j.petlm.2019.11.009  “由于原油对尼日利亚经济和整个世界的影响不可估量，如何积极准确地预测原油价格，以便进行有效的规划、预算和其他政府基本活动，这一点怎么强调都不为过。参考文献[7]的研究证明了石油价格与国内生产总值（GDP）增长率之间的关系，并断言只有通过石油价格的高增长才能观察到对经济的重大影响。然而，原油价格表现出复杂的非线性特征和可变性，由于数据集本身的困难，很难预测。因此，寻找一种有前景的原油价格序列预测方法并不过时，因为原油是世界上主要的能源，而预测油价仍然是一个主要的瓶颈。”  确定一个预测多个经济参数的模型是一种非常常见的方法，原油价格预测也不例外[8]。有一些研究工作试图预测原油价格，其中包括：文献[9]中的研究人员通过应用三层前馈神经网络和遗传算法（GA）来检验原油价格。结果表明，优化后的模型在精度、变异性、适应度和精度等方面都优于传统的人工神经网络（ANN）。参考文献[10]中的研究人员使用改进的半监督学习（SSL）算法研究原油价格的变化。该方法改进了现有的SSL算法，以利用时间序列算法。该技术不仅影响输入变量对期望变量的影响，而且影响变量之间的交互影响。将原油价格表示为网络中的节点，通过关联传播相邻经济因素的影响，解决了原油价格的复杂性和不规则性，结果表明，与现有预测模型所提供的预测技术相比，该技术可以更准确地进行预测。参考文献[11]中的研究人员通过应用强大的“分解和集成”策略和快速稳定的人工智能（AI）预测方法（即扩展的极限学习机（EELM））来模拟原油价格数据的波动性和相互影响因素，从而检验原油价格数据的复杂性原油价格的不规则性。研究结果表明，集成学习模型显著改善了预测性能，在准确性、节省时间和鲁棒性方面优于其他预测技术。参考文献[5]中的研究人员通过应用一种称为SDAE-B的深度学习组合方法来预测原油价格，研究了原油价格与其他几个因素之间的复杂相关性。在他们的研究中，SDAE-B比传统的经济计量模型（即随机游走（RW）和马尔可夫状态转换（MRS））、浅层结构的机器学习模型（即前馈神经网络（FNN）、支持向量回归（SVR）和统计检验等基准模型都证明了模型的优越性。文献[12]的研究人员将深度学习技术应用于原油价格预测，特别是在原油价格波动的非线性特征建模中，特别使用了两种具体的深度学习模型：深度信念网络（DBN）和递归神经网络  与基准自回归滑动平均（ARMA）模型相比，基于DBN的模型具有显著的优越性，但与RW模型相比，其预测能力并不显著。这使得我们发现深度学习的预测性能对参数非常敏感。  许多研究人员在对原油价格进行建模时面临的最明显的困难是数据集的高度复杂性，导致实际数据中的噪音过大，并降低了模型预测精度的强度[13]。参考文献进行的研究。[14,15]指出，降噪技术包括波长分解（WT）、奇异谱分析（SSA）、经验模式分解（EMD）、变分模式分解（VMD）、基于熵的小波去噪、基于最小二乘支持向量回归模型的混合stanlet消噪方法，基于神经网络的指数平滑和扩展卡尔曼滤波方法。然而，这些技术都有各自的缺陷，参数敏感性和时间消耗是它们的主要缺点，利用复杂网络分析的思想可以克服这些缺点。  因此，本文提出了一种基于长短期记忆（LSTM）网络的原油价格预测方法。LSTM的建立是为了缓解标准递归神经网络（RNNs）难以学习相距遥远的数据实例之间的长期相关性这一重要问题而建立的。基本上，这种方法是标准RNN的一种改进，其中隐藏层被存储单元代替[16]。一个存储单元包含一个具有自连接递归边的节点，确保梯度可以跨越许多时间步而不消失。LSTM的概念是通过在被称为门的特殊神经元控制的记忆单元中引入一个中间存储器来确保长程依赖性。不管其简单性如何，LSTMs方法在许多任务中都表现出令人惊讶的优异性能，它们或其变体代表了最广泛采用的RNNs应用程序[17–20]。”  因此，考虑到原油价格在当今经济中所起的重要作用，人们对能够有效、主动地准确预测未来原油价格走势的技术要求越来越高，因此需要采用有效的预测方法，因此本文采用LSTM。  1.1条。我们的贡献 总的来说，本文主要做了两个方面的工作：首先，采用了一种新的可见性图算法和k核中心度对数据进行预处理和重构。其次，发展了LSTM模型来模拟和预测未来的原油价格行为，然后在世界范围内选取了十（10）个原油价格来评估模型的有效性和性能。  第二部分介绍了原油价格预测的相关概念。第三节介绍了基于深度学习的LSTM算法的数据预处理过程、模型的建立过程。第四部分讨论了模型的结果和分析，以及基于全球10种不同原油价格的模型有效性评价。第五部分为结论与未来研究。  2相关概念 原油价格预测是一个非常广泛的研究领域，在历史上已有很长一段时间，人们提出了许多预测原油价格的方法。原油价格预测方法的研究工作大致可分为三类：统计和计量模型、人工智能和混合建模技术[5,11,21]。  统计模型和计量经济模型涵盖了许多常见的模型：文献[2]的研究采用扩展经验模式分解（EEMD）代替经验模式分解（EMD）来分析原油价格构成。文献[22]采用动态模型平均法（DMA）对西德克萨斯中质油（WTI）原油市场的原油价格进行建模和预测，结果表明，DMA技术比期货价格更能反映预期现货价格。在文献[23]中，作者应用基于独立成分分析（ICA）的支持向量回归方法（ICA-SVR）来识别影响原油价格波动的潜在因素。文献[24]中的作者应用了不同版本的广义自回归条件异方差（GARCH）模型，如GARCH、扩展广义自回归条件异方差（EGARCH）、积分广义自回归条件异方差（IGARCH）、分数积分广义自回归条件异方差模型异方差（FIGARCH）、glostenjagannathan-runkle广义自回归条件异方差（GJR-GARCH）和分数积分非对称幂自回归条件异方差（FIAPARCH），以确定这些模型中哪一个在组内和组间活动方面表现更准确。文献[25]采用向量自回归模型（VAR）和向量误差修正模型（VECM）探讨了原油、玉米和乙醇价格之间的关系。结果表明，发展乙醇生产是控制通货膨胀与原油价格的一种途径。参考文献[26]中的作者采用了全球原油市场和美国玉米市场的结构VAR模型。结果表明，接近36%  表1  使用统计和经济计量模型预测原油价格的文献。  典型文献  预测模型  主要结果  [2]  EEMD公司  用EEMD代替EMD”  [22]  DMA模型  拟议的DMA模型提供了比未来价格更好的预测现货价格的指标。”  [23]  ICA-SVR公司  他们的预测模型确定了原油价格波动的潜在因素。”  [24]  不同版本的GARCH模型  在两个时期内，非对称和集成GARCH模型比其他可用模型提供了相对更准确的性能。”  [25]  VAR和VECM  乙醇生产与石油价格关系的实证结果表明  [26]变量  实证结果表明，近36%的玉米实际价格变动可归因于全球原油市场的结构性供需冲击。”  玉米实际价格的变化可归因于全球原油市场的结构性供需冲击。表1总结了统计和经济计量模型的预测文献。  从本质上讲，由于计量经济学模型假设数据是平稳的、规则的、线性的，因此它们不能准确地对不规则、复杂和非线性的时间序列数据进行建模。  除了传统的统计和经济计量模型外，人工智能技术也被用来揭示原油价格的内在复杂性。以文献[27]为例，将支持向量机（SVM）应用于原油价格预测中，该方法具有非线性建模的能力，证明了该方法可用于原油价格的高精度预测。文献[28]中的研究人员提出了一种动态校正的支持向量回归机预测原油价格，取得了良好的效果，可以方便地应用于原油价格的预测。文献[29]中的研究人员将萤火虫算法和最小二乘支持向量回归（FA-LSSVR）应用于原油价格预测，结果表明，该模型在准确性、省时性和鲁棒性方面优于单一基准，是一种很有前途的原油价格预测方法。文献[7]中的研究人员将基因表达式编程（GEP）和人工神经网络（ANN）应用于从给定数据中学习的互联神经元和训练节点，捕捉非线性函数关系，作为预测油价的模型。参考文献[10]中的研究人员使用半监督学习（SSL）预测原油价格的运动方向（向上和向下移动）。“参考文献[5]提出的方法使用堆栈谴责自动编码器（SDAE）和引导聚合（bagging），基于深度学习和集成学习的原油价格预测算法。参考文献[30]中的研究人员利用流学习（stream learning）的思想和工具制定了原油价格预测技术，这是一种用于推断和分析连续非静态数据流的机器学习范式。表2显示了使用人工智能方法预测原油价格的文献。  在过去的几十年里，研究工作主要集中在机器学习模型的混合上。它告诉我们，一个混合模型综合了所有模型的优点，弥补了所有的缺点，从而使混合模型得到了广泛的应用。挑战在于，传统的方法假设数据集的行为是平稳的、规则的和线性的，而人工智能作为单一的模型则存在局部极小和过拟合问题。混合模型被证明比相应的单机学习技术具有更好的预测精度。”  表2 典型文献预测模型主要结果     [10]  SSL-SSL的性能优于ANN和SVM  [28]  动态校正支持向量回归实验结果表明，该方法具有很好的预测效果，可以很容易地应用于商品房价格的预测  我们生活中的机械原油。  [7]  GEP-GEP模型的性能优于ANN和ARIMA  [5]  与传统的机器学习方法相比，SDAE-SDAE具有更好的性能。  [30]  非平稳数据连续流的流学习分析与推理  文献采用人工智能方法预测原油价格。  例如，文献[31]中的研究人员使用基于神经网络的具有外生输入的动态非线性自回归（NARX）模型来预测油价，这是一种多元预测模型。文献[32]的研究人员提出了一种混合预测模型，该模型首先对训练数据进行压缩感知去噪预处理，然后用于训练某些机器学习技术，包括ANN和支持向量回归（SVR）。文献[6]提出了一种混合式原油价格预测模型，其中神经网络的元参数由遗传算法选择，文献[33]中的研究人员提出了一种基于SVR、基于实例学习（IBL）和K-star的综合油价预测模型，通过取这些机器学习技术的所有个体预测的平均值来生成预测。也有集成模型，首先将石油价格序列分解为几个分量，然后将神经网络（NNs）生成的每个分量的预测组合起来[11,34,35]。表3显示了使用混合方法预测原油价格的文献。  实证分析结果反复证明，混合预测方法比单一技术更准确（参考表3）。这种情况是因为混合方法结合了单个模型，使得其中一个模型的优点与另一个模型的缺点互补。同时，混合技术所需的计算过程复杂。也就是说，混合预测模型在最近的文献中更可能被提倡，这也为我们的研究提供了一些启示。  然而，由于原油数据集的噪声水平高、性质复杂且具有非线性特征，本文重点研究以下目的和目标：  a、 利用复杂网络分析和深度学习（DL）建立一种新的智能混合预测模型。  b、 为了提高尼日利亚原油价格预测的性能，从预测精度、节省时间和鲁棒性等方面对模型的性能进行了对比分析。  c、 具体目标是：  i、 利用可视图算法和复杂网络分析的k核中心性对数据进行预处理，去除噪声和非线性。  二。利用DLalgorithm的LSTM建立混合预测模型。  在python编程环境下实现了所提出的模型，并对模型的性能进行了评估。    表3  文献采用混合方法预测原油价格。  典型文献  预测模型  主要结果  [34]  HTW-MBPNN公司  HTW-MBPNN性能优于BPNN”  [35]  EMD-SBM-FNN  采用MIMO策略的EMD-SBM-FNN是一种非常有前途的预测技术，具有高质量的预测质量和可靠的计算量，可用于多步原油价格预测。”  [11]  “EEMD-EELM”  EEMD-EELM明显优于单个EELM”  [32]  “CSD-AI”  CSD-AI模型在水平和方向预测方面都优于其单一基准。”  [6]  “GA-NN”  GA-NN方法能够提高预测精度，并简化NN模型结构的复杂性  [2]  “一个混合人工智能系统框架  提议的方法非常有效，而且实际上可行。”    图1。建议的方法（预测技术）。  为了实现上述目标，我们将可见性图算法和复杂网络分析的k核中心性与深度学习的LSTM相结合，构造了新的混合预测模型。据我们所知和所信，目前还没有将DL的LSTM与可见性图和复杂网络分析的k核算法相结合来分析原油价格的波动性。  三。材料和方法 该预测技术包括以下步骤：使用可见性图算法将数据集映射到网络上，从数据集中提取噪声并使用k核中心度确定最有影响的节点，最后对提取的数据集应用LSTM对模型进行训练和测试。最后对原油价格预测进行了评价，以期发现知识。  3.1条。预测技术 图1中的技术示出了所提议的技术的所有步骤，并且在下面的小节中说明实现的步骤。  图2。（a） –（b）。得到了可见性图的映射数据集和提取的网络。    图3。利用k核中心度算法进行k核分解。  3.2条。数据预处理 由于数据的复杂性、不规则性和非线性，预测原油价格等复杂数据是机器学习中的一项重要任务。复杂网络分析已经得到广泛的应用  表4 将值数组转换为数据矩阵。  十  是的  0  14.29  14.29  15.00  15.00  20.17  20.17  17.44  17.44  12.62  表5 时间序列的平稳变换。  月  1                                                                    14.29  2                                                                    15.00  3                                                                    20.17  4                                                                    17.44  5                                                                    12.62    0                                                                  0.71  1                                                                  5.17  2                                                                  −2.73美元  3                                                                  −4.82英镑  4                                                                  2.2    表6 将数据转换为0–1的比例。  按比例  0                                                                  0.22  1                                                                  0.31  2                                                                  1  3                                                                  0.64  4                                                                  0    表7 原油价格数据集摘要。  身体  年数  月数  欧佩克  1983年至2013年  360  CBN公司  2014-2018年  56    图4。原油价格的波动。  最近被用于分析时间序列数据，并被证明在产生高质量结果方面非常有效[36,37]。该方法包括两个步骤，第一步采用可见性图算法将数据集映射到一个复杂的网络中。第二步是利用k核中心度提取非线性特征。”    图5。映射到网络上的数据集的网络。    图6。预测和实际原油价格。  用于映射网络中数据集的算法称为可见性图[38–40]。其思想如下：假设我们有一个长度为n的时间序列数据X（t）=[x1，x2…xn]，序列中的单个数据点xn可以被视为链接网络中的顶点，并且可以绘制一条连接到两个顶点的边，使得这两个点在垂直条时间序列中相互可见。另一方面，如果一条直线连接了两个点，而不穿过彼此的中间数据条，则两个数据点是连接的。  更正式的标准可以建立为：两个数据值xa（在时间ta）和xb（在时间tb）是连接的，如果在这两个数据值之间存在一个值（xc，tc）（即：ta<tc<tb），满足以下条件：“xc<xa+（xb-xa）tbtctata  提取的关联图始终为：“  a、 已连接：每个节点至少对其最近的邻居可见  （右或左）”  b、 无方向性：基于算法的构建，链路的方向没有定义。”  c、 在水平轴和垂直轴的重新缩放下，可见性算法是不变的。”  例如，假设原油价格为29.45,14.29,18.40,15.00，  23.74、20.17、17.44、21.21、19.29、12.62、28.40、17.93、25.05、28.65、38.10美元/桶。结果将如图2a和图2b所示。  3.3条。利用k核中心度提取非线性特征 k核中心度考虑了网络中最近邻节点的个数，并断言在网络中具有相同程度的节点具有相同的影响。参考文献[41]中的研究人员认为，节点的位置比它的近邻更具影响力。也就是说，如果一个节点位于网络的核心部分，则该节点的影响将高于位于外围的节点。”  在形式上，这可以表述为：给定一个无向简单网络      图7。（a） –（j）。全球十（10）种不同的原油价格。  G、 首先，将每个孤立节点vi（即ki=0）的核度ci反初始化为1，然后提取k=1的所有顶点。这将被定义为ci=0，并且在k-核心减少剩余顶点的度值之前，这些节点被移除。本程序组成。然后在k-核分解的第一步，我们首先连续地移除所有剩余度k≤1的顶点，直到   表8 RMSE作为其他原油价格模型运行时得到的实验结果。  国家/类型  RMSE公司  美国WTI  2.08  英国布伦特  2.18  阿联酋迪拜  2.08  俄罗斯乌拉尔  2.20  卡塔尔杜汗  2.07  安哥拉扎伊汀  2.23  利比亚布雷加  2.21  伊朗之光  2.02  埃及苏伊士B  2.19  挪威埃科菲斯克  2.21  表9 与其他预测精度比较。  模型  RMSE公司  RW公司  6.832  夫人  5.616  SVR公司  5.867  服务器B  5.872  FNN公司  5.428  FNN-B型  5.079  SDAE公司  5.047  SDAE-B型  4.995  LSTM  2.91  所有剩余顶点的剩余度数k>1。从第一步分解中移除的所有节点构成1-壳，其核心度ks为1。其次，首先提取度k=2的所有剩余顶点。然后重复提取剩余度k≤2的所有顶点，直到剩余度k>2的所有剩余顶点。在第二步分解中移除的所有节点构成2-壳，其核心度ks=2。此过程将继续，直到提取所有顶点。最后，顶点vi的核心度等于其对应的壳层。图3示出了k-核分解。显然，一个核心度更大的顶点表示该顶点位于一个更中心的位置，并且可能在网络中更重要。  3.4条。转换数据集使其适合LSTM a、 将值数组转换为数据矩阵  对于时间序列数据，值的序列很重要。我们可以使用的一个简单方法是将有序数据集拆分为训练数据集和测试数据集。这个函数有两个参数：dataset，它是一个NumPy数组，我们想把它转换成一个数据集，而look峈u back是用来作为输入变量来预测下一个时间段的前一个时间步数，在本例中默认为1。”这个默认值将创建一个数据集，其中X是给定时间（t）的价格，Y是下一次的价格（t+1）。“因此，使用从我们的网络获得的数据，我们得到14.29、15.00、20.17、17.44、12.62。将下表4与获得的数据集进行比较，我们发现X=t和Y=t+1，然后将其转换为表5中获得的信纸。b、 将时间序列转换为平稳序列  表5显示了从表4中获得的固定表。  c、 规范化数据  LSTMs对输入数据的规模很敏感，特别是当使用sigmoid（默认）或tanh激活函数时。将数据重新调整到0到1的范围是一个很好的做法，也称为规格化最小-最大缩放器是通过使用表6中从我们的示例中获得的数据的最小值和最大值将数据调整为0到1。scikit learn中的MinMaxScaler可以使用公式（1）转换数据集。”                   X X最小值  新的=                X最大X最小（一）  3.5条。一种状态LSTM网络模型与训练数据的拟合 LSTM网络可以长时间地学习和记忆，不依赖于预先定义的窗口滞后观测作为输入。默认情况下，keras中的LSTM层在一个批处理中保持数据之间的状态。LSTM网络要求输入数据（x）的形式（样本、时间点、特征），而我们的数据是形式（样本、特征），因此我们将问题定义为每个问题的一次性步骤。只要稍加尝试和错误，我们就可以训练模型，并确定最佳批次、大小、时代和块或神经元。”  批量：15〃时代：150〃  神经元：4〃  3.6条。利用试验数据评价LSTM模型 LSTM一旦与训练数据相适应，就可以用来进行预测。我们可以对所有的训练数据进行一次模型拟合，然后从测试数据一次一个地预测每个新的时间步。这是通过在模型上调用predict（）函数来完成的。”  3.7条。模型评价精度 为了分析模型的预测精度，我们在式（2）中使用均方根误差（RMSE）来评估模型的预测性能。”  N  RMSE公司=  （2） 其中st，ot是实际价格和时间t的预测值。“4。实验结果  本文的实验是在Python编程环境version 2.7.14和version 3.7.1中实现的。本次实验所用的系统要求，windows10，64位操作系统，具有4gb的RAM，双核2.0gz，64mb显卡和至少40gb的硬盘空间。实验使用150个时代和15个批次进行，得出我们的结果。我们用于实验的数据是从www.opec.org/library以及www.cbn.gov.ng/rates/crudeoil.asp。表7列出了这些数据集。我们使用这些数据集是因为它们通常被用作石油输出国的基准，而尼日利亚是这些国家的成员国。数据集分为两部分，分别包含68%的训练集和33%的测试集。对所用设备的详细描述如下：  i、 石油输出国组织（欧佩克）秘书处是欧佩克的执行机构，负责出版和传播有关欧佩克成员国和整个石油工业的数据和信息。二。尼日利亚中央银行（CBN）数据与统计局是拥有可靠数据集以进行收集和研究的机构之一；它是最常用的准确性数据集之一。  1.4.1条。总体结果 首先，在进行实验之前，我们检查数据集的波动性行为，结果如图4所示。图5示出了映射到网络上的数据集的网络。  图6显示了预测和实际原油价格。  4.2条。结果比较 为了评估我们模型的准确性和有效性，我们对其他研究人员使用的全球十（10）种不同的原油价格进行了实验，结果如图7所示。  表8中结果的平均性能显示了在所有数据集中获得的RMSE，这表明从我们的主模型中获得的所有值都小于2.91，表9显示了我们的模型与其他预测模型相比的性能，精确度为2.91，这是对其他模型的改进。这意味着，在这两个数据集中，我们提出的技术能够提高58%的准确率，与其他技术取得的最佳结果相比，如公式（3）：  （2.91/4.995）*100=58.3%（3）  5结论和今后的工作 在一个国家的经济中，确定一个有效和有效的方法来预测像原油这样的高度复杂和波动性的价格是一个关键而富有挑战性的任务。大多数预测技术都是从统计学和计量经济学的角度来设计的，这在许多情况下都是有用的，但是使用强大的人工智能工具（如DL的LSTM）进行预测是非常罕见的。本文提出了一种基于复杂网络分析和LSTM的原油价格预测方法。为了评估该技术的有效性和稳健性，我们对世界上其他研究人员使用的十（10）种不同的原油价格进行了实验。  实验结果表明，在训练过程中，LSTM的批量大小和层数的选择对目标函数值、拟合效果和运行时间有很大影响。适当的批量大小和LSTM层数可以有效地改善模型。  与传统的和经典的计量经济预测方法相比，该模型选择了更多的、在较长时间内的数据集作为训练样本。LSTM预测模型具有较高的精度和更广泛的应用前景。LSTM模型可以很好地预测未来一段时间内原油价格的走势。