[发明专利]基于多特征和机器学习的以太坊GasPrice预测方法及装置

说明书

本发明涉及区块链领域，具体为一种基于多特征和机器学习的以太坊GasPrice预测方法及装置，本发明通过Etherscan爬取我们针对升级后交易结构选取的新特征，同时基于内存池抽取交易与区块的交易信息进行Gas Price预测；然后将特征数据根据时间戳和区块号进行融合，最后整合为完整的数据集分别输入至两种机器学习模型中进行训练与预测。从结果来看，模型的拟合程度良好，所有模型在训练集与测试集上的MAE、RMSE以及R2三项指标相较相关工作有较大提升。基于整体结果看，结合内存池特征的模型效果更好。从MAE和RMSE角度看，LSTM对于预测有着更好的效果。从R2的角度看，XGB模型有着更好的预测功能。内存池特征的输入对XGB模型有更大的影响。

技术领域

本发明涉及区块链技术领域，特别涉及基于多特征和机器学习的以太坊GasPrice预测方法及装置。

背景技术

目前现有几种Gas price推荐工具：以太坊客户端Geth基于过去区块的gas price推荐(Github. go-ethereum. https://github.com/ethereum/go-ethereum/, 2022)。Gasnow基于矿池中数据进行gas price推荐。EthGasStation根据前10000块数据，利用Poisson回归模型进行gas price预测(Ethgasstation. https://ethgasstation.info/,2022)。Liu等人提出了基于机器学习回归预测方法的gasprice预测方法(Liu, Fangxiao,Xingya Wang, Zixin Li, Jiehui Xu, and Yubin Gao. Effective gas priceprediction for carrying outeconomical ethereum transaction. In 2019 6thInternational Conference on Dependable Systems and Their Applications (DSA),pp. 329-334. IEEE, 2020)。基于以太坊伦敦升级前的交易结构对gas price进行回归预测。该文章对十种机器学习回归预测模型进行了训练与测试，其中7个模型预测效果均不理想。Werner等人提出了一种结合了基于深度学习的价格预测模型以及由用户特定的紧急值参数化的算法来推荐 gas 价格，针对不同级别进行了gas price预测(Werner,Sam M.,Paul J. Pritz, and Daniel Perez. Step on the gas? A better approach forrecommending the ethereum gas price. In MathematicalResearch for BlockchainEconomy, pp. 161-177. Springer, Cham, 2020)。

如图1所示，现有工具的预测值与实际值存在较大误差，如Gasnow与Gas station预测工具的结果与实际值对比。现有Gas Price预测方法均于以太坊伦敦升级前提出，其预测模型特征及构建也均针对Gas费升级前的结构提出，即并未针对升级后的交易结构与Gas费模型进行分析。

发明内容

本发明的目的在于提供基于多特征和机器学习的以太坊GasPrice预测方法及装置，基于现有工具在预测值存在一定误差的情况下，其预测趋势是较为符合Gas Price变化波动的，因此，将内存池预测数据实时提取，并结合以太坊升级后的Gas费模型挑选新的特征，将内存池预测特征与新特征融合后输入至机器学习模型中进行预测，以克服上述现有技术中的不足。

为实现上述目的，本发明提供如下技术方案：

本发明公开了一种基于多特征和机器学习的以太坊GasPrice预测方法，包括如下步骤：