CN110390426A - 区域工业经济增速的预测方法、系统和存储介质 - Google Patents
区域工业经济增速的预测方法、系统和存储介质 Download PDFInfo
- Publication number
- CN110390426A CN110390426A CN201910542849.4A CN201910542849A CN110390426A CN 110390426 A CN110390426 A CN 110390426A CN 201910542849 A CN201910542849 A CN 201910542849A CN 110390426 A CN110390426 A CN 110390426A
- Authority
- CN
- China
- Prior art keywords
- year
- growth rate
- index
- industrial
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000007787 long-term memory Effects 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 230000006403 short-term memory Effects 0.000 claims description 51
- 238000010606 normalization Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000013277 forecasting method Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 4
- 230000029305 taxis Effects 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 241000197727 Euscorpius alpha Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种区域工业经济增速的预测方法、系统和存储介质，涉及数据预测领域。包括以下步骤：获取工业经济数据，形成历史数据；基于所述历史数据确定工业经济的预测指标；对所述预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；基于所述标准化指标构建长短期记忆网络模型；对所述长短期记忆网络模型进行批数据处理；对所述长短期记忆网络模型进行自适应优化。本发明可以准确预测区域工业经济的增速。
Description
技术领域
本发明涉及数据预测领域，具体涉及一种区域工业经济增速的预测方法、系统和存储介质。
背景技术
随着经济的发展，宏观环境愈发错综复杂。工业经济是影响国民经济的主要部分，但是工业经济运行仍然面临一些不确定因素，如：经济下行压力依然较大，实体经济运行困难较多，投资增速持续下滑，就业压力增大等。因此实时掌握工业经济运行状态，准确预测工业经济的发展趋势显得愈发重要。
现有技术一般采用向量自回归(VAR)模型处理这种宏观经济非稳定数据。VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的向量自回归模型。
然而工业经济影响因素与工业经济增速间的关系往往是非线性的，现有的方法难以分析这种非线性关系，从而造成现有技术预测出的工业经济增速结果不够准确。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种区域工业经济增速的预测方法、系统和存储介质，解决了现有技术无法准确预测工业经济增速的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明解决其技术问题所提供的一种区域工业经济增速的预测方法，所述预测方法由计算机执行，包括以下步骤：
获取工业经济数据，形成历史数据；
基于所述历史数据确定工业经济的预测指标；
对所述预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；
基于所述标准化指标构建长短期记忆网络模型，所述长短期记忆网络模型用于预测区域工业经济的增速，所述长短期记忆网络模型包括：1个输入层、4个隐藏层和1个输出层；其中：隐藏层的网络结构为：LSTM层-Dropout层-Dense层-Dense层；
对所述长短期记忆网络模型进行批量数据处理；
对所述长短期记忆网络模型进行自适应优化。
优选的，所述工业经济的预测指标包括：月度预测指标和季度预测指标。
优选的，所述月度预测指标包括：居民消费价格指数、生产者价格指数、采购经理指数、亏损单位数本月同比增长率、应收账款本月同比增长率、产成品存货本月同比增长率、主营业务收入本月同比增长率、利润总额本月同比增长率、亏损企业亏损额本月同比增长率、利税总额本月同比增长率、工业增加值本月同比增长率、工业用电量本月同比增长率、经济效益综合指数、总资产贡献率、资本保值增值率、资产负债率、流动资产周转次数、成本费用利润率、全员劳动生产率、工业产品产销率本月同比增长率、工业固定资产投资完成额本月同比增长率、全国工业增加值本月同比增长率、全国采购经理指数、企业景气指数、企业家信心指数、省工业生产者购进价格指数和月份。
优选的，所述季度预测指标包括：居民消费价格指数、生产者价格指数、采购经理指数、亏损单位数本季度同比增长率、应收账款同比增长率、产成品存货同比增长率、主营业务收入同比增长率、利润总额同比增长率、亏损企业亏损额同比增长率、利税总额同比增长率、工业增加值本季度同比增长率、工业用电量本季度同比增长率、经济效益综合指数、总资产贡献率、资本保值增值率、资产负债率、流动资产周转次数、成本费用利润率、全员劳动生产率、工业产品产销率本季度同比增长率、全国工业GDP同比增长率、劳动生产价值和季度。
优选的，所述归一化处理的方法包括区间缩放法，计算公式为：
y＝(x-Min)/(Max-Min)
其中：
y表示指标归一化处理后的数值；
x表示指标归一化处理前的数值；
Min表示指标的最小值；
Max表示指标的最大值。
优选的，所述自适应优化包括：
mt＝β1mt-1+(1-β1)gt
其中：
θt是t的权重；
mt和是第一时刻的偏差和偏差校正估计值；
vt和是第二时刻的偏差和偏差校正估计值；
β1和β2是相应的衰减率，且具有相同的权值衰减项；
η是学习率。
优选的，所述长短期记忆网络模型还包括评价指标，所述评价指标包括：均方根误差和平均绝对百分误差。
本发明解决其技术问题所提供的一种区域工业经济增速的预测系统，其特征在于，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
获取工业经济数据，形成历史数据；
基于所述历史数据确定工业经济的预测指标；
对所述预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；
基于所述标准化指标构建长短期记忆网络模型，所述长短期记忆网络模型用于预测区域工业经济的增速，所述长短期记忆网络模型包括：1个输入层、4个隐藏层和1个输出层；其中：隐藏层的网络结构为：LSTM层-Dropout层-Dense层-Dense层；
对所述长短期记忆网络模型进行批量数据处理；
对所述长短期记忆网络模型进行自适应优化。
本发明解决其技术问题所提供的一种计算机可读存储介质，该介质上存储有至少一条指令，至少所述一条指令由处理器加载并执行以实现如上述的方法。
(三)有益效果
本发明提供了一种区域工业经济增速的预测方法、系统和存储介质。与现有技术相比，具备以下有益效果：
本发明通过获取工业经济数据，形成历史数据；基于历史数据确定工业经济的预测指标；对预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；基于标准化指标构建长短期记忆网络模型，长短期记忆网络模型用于预测区域工业经济的增速；对长短期记忆网络模型进行批数据处理；对长短期记忆网络模型进行自适应优化。本发明利用长短期记忆网络模型对工业经济数据进行处理，可以分析出工业经济影响因素与工业经济增速间的非线性关系，从而使得到的预测结果准确，同时对模型进行批数据处理和自适应优化，使得预测结果更加准确。本发明可以为经济运行主管部门提供数据分析服务，也为政府对经济的运行调控提供了决策支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的区域工业经济增速的预测方法的整体流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种区域工业经济增速的预测方法、系统和存储介质，解决了现有技术无法准确预测工业经济增速的技术问题，实现了工业经济增速的准确预测。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例通过获取工业经济数据，形成历史数据；基于历史数据确定工业经济的预测指标；对预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；基于标准化指标构建长短期记忆网络模型，长短期记忆网络模型用于预测区域工业经济的增速；对长短期记忆网络模型进行批数据处理；对长短期记忆网络模型进行自适应优化。本发明实施例利用长短期记忆网络模型对工业经济数据进行处理，可以分析出工业经济影响因素与工业经济增速间的非线性关系，从而使得到的预测结果准确，同时对模型进行批数据处理和自适应优化，使得预测结果更加准确。本发明实施例可以为经济运行主管部门提供数据分析服务，也为政府对经济的运行调控提供了决策支持。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供了一种区域工业经济增速的预测方法，该方法由计算机执行，如图1所示，包括以下步骤：
S1、获取工业经济数据，形成历史数据；
S2、基于所述历史数据确定工业经济的预测指标；
S3、对所述预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；
S4、基于所述标准化指标构建长短期记忆网络模型，所述长短期记忆网络模型用于预测区域工业经济的增速；
S5、对所述长短期记忆网络模型进行批量数据处理；
S6、对所述长短期记忆网络模型进行自适应优化。
本发明实施例通过获取工业经济数据，形成历史数据；基于历史数据确定工业经济的预测指标；对预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；基于标准化指标构建长短期记忆网络模型，长短期记忆网络模型用于预测区域工业经济的增速；对长短期记忆网络模型进行批数据处理；对长短期记忆网络模型进行自适应优化。本发明实施例利用长短期记忆网络模型对工业经济数据进行处理，可以分析出工业经济影响因素与工业经济增速间的非线性关系，从而使得到的预测结果准确，同时对模型进行批数据处理和自适应优化，使得预测结果更加准确。本发明实施例可以为经济运行主管部门提供数据分析服务，也为政府对经济的运行调控提供了决策支持。
下面对各步骤进行具体分析。
在步骤S1中，获取工业经济数据，形成历史数据。
具体的，可以从省经信委企业云平台、省直相关部门信息系统共享和集成省经济运行大数据，采用网络爬虫等技术收集国家宏观和微观经济运行状态大数据。
在步骤S2中，基于所述历史数据确定工业经济的预测指标。
由于工业增加值很大程度上可以反映工业经济的发展情况。因此，以省工业增加值作为省工业经济发展的代理变量。通过相关性分析方法从数据库里众多工业经济相关数据中筛选有效的预测指标。
具体的，本发明实施例从月度和季度两方面筛选出预测指标。
其中，工业经济月度预测指标如表1所示：
表1
具体的，工业经济季度预测指标如表2所示：
表2
在步骤S3中，对所述预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标。
具体的，包括以下步骤：
S301、对预测指标进行异常值处理。
异常值是指在数据集中存在不合理的值，又称离群点。具体的，检测异常值通常采用“箱型图”，为现有技术。
本发明实施例对数据范围在2010年3月至2018年5月的月度数据和2010年1季度至2018年2季度的样本的所有指标通过箱线图进行了异常值检测，从数据分布的角度得到如下结果：
(1)月度数据的27个变量中，完全正常无异常值的有12个变量，含有较多异常离群值的变量有2个(利润总额同比增长率和利税总额同比增长率)，数据分散质量差并且离群数据较多；其余数据质量良好，异常数据大约在2-6个，异常数据比例不超过23％。
(2)季度数据的23个变量中，完全正常无异常值的有个变量12个，含有异常值较多的只有“利润总额季度止累计同比增长％”一个变量，其余变量中异常值最多不超过5个，含有1-2个异常值的变量较多，约占剩余变量的60％。
针对可能存在异常值的样本点，不能直接采取丢弃样本的做法，因为该样本的其他属性为正常值，直接剔除样本会造成数据损失，直接剔除该指标会造成模型精度下降。为此，针对存在异常属性值的样本，本发明实施例使用样本集中所有正常样本的该特征的均值替代异常值。
S302、对预测指标进行归一化处理，获得标准化指标。
归一化是将数据按比例缩放，其目的是将数据变换为无量纲的数据，成为纯量。归一化处理为现有技术。使用归一化处理后的数据有助于训练出鲁棒性更强的模型。
本发明实施例中采用区间缩放法，计算公式如下：
y＝(x-Min)/(Max-Min)
其中：
y表示指标归一化处理后的数值；
x表示指标归一化处理前的数值；
Min表示指标的最小值；
Max表示指标的最大值。
区间缩放法实现对原始数据的等比例缩放，将原始数据均转化为[0,1]区间内的值。
以“工业单位数”和“全员劳动生产率”两个预测指标为例：
“工业单位数”在原始数据中是以“个”为单位的变量，其取值范围在12000至20000左右。首先，将工业单位数换算成工业单位数同比增长率。计算方式是工业单位数同比增长率＝(本月单位数-上年同月单位数)/上年同月单位数。如果直接使用这个变量作为特征，则训练的模型收敛速度慢，并且精度不高。然后，通过归一化处理，我们将工业单位数映射到0到1之间无单位的纯数，再结合其他特征就可以作为模型的输入。
“全员劳动生产率”的取值区间是200000至400000间，直接使用这个指标作为模型的特征显示会造成模型的系数偏大，从而导致鲁棒性降低，抗干扰能力下降。首先，将该指标处理成全员劳动生产率同比增长，计算公式为全员劳动生产率同比增长＝本月全员劳动生产率-上年同月劳动生产率)/上年同月劳动生产率。然后，套用归一化的公式，将其映射成(0,1)区间的无量纲数。结合其他特征，共同作为模型的训练数据。
在步骤S4中，基于所述标准化指标构建长短期记忆网络模型(LSTM)，所述长短期记忆网络模型用于预测区域工业经济的增速。
具体的，LSTM模型是一种时间递归神经网络，为现有技术。
由于现有的模型中样本过于少，容易导致非常严重过拟合现象，使得模型的泛化性能很差，对于新的预测样本产生的误差较大；因此，本发明实施例对现有技术的LSTM模型进行了调整改进，构建出适用于本实施例的模型。
具体的，本发明实施例中的LSTM模型相比于现有技术从以下几个方面进行了改进，包括：网络结构、滞后期选择和评价指标。
其中，本发明实施例中的LSTM模型的网络结构为：1个输入层、4个隐藏层和1个输出层。其中：隐藏层的网络结构为：LSTM层-Dropout层-Dense层-Dense层。
本发明实施例将标准化的指标输入到模型中，通过LSTM进行建模。本发明实施例在构建LSTM模型中，通过减少LSTM层，降低参数数量。同时，增加Dropout层，将隐含层的部分神经节点权重随机归零，实现神经网络的正则化，降低其结构风险进一步降低模型过拟合的概率。该模型在分析小数据集时，可以显著减轻过拟合风险，提高模型的泛化能力。最终，通过Dense层决定输入所属分类的概率。
在月度预测指标的处理上，本发明实施例选取的滞后期为4期。相比于原有模型的随机调参，本实施例中的预测值方差较小，使得误差减小，得到的预测结果更加准确。
为了验证模型的有效性，在模型的评价指标上，本发明实施例中选取了均方根误差(RMSE)和平均绝对百分误差(MAPE)。
其中，RMSE表示均方根误差，结果与目标值为同量级，具有更好的可理解性；MAPE表示平均绝对百分误差，具有更好的可解释性。
在步骤S5中，对所述长短期记忆网络模型进行批数据处理。
现有的神经网络未设计批处理，因此每次更新需要计算所有样本的损失。本发明实施例中设定Batch_size＝5(每次参数更新计算5个样本的损失)。
具体的，Batch_size参数能够提高收敛速度，减少模型训练时间。此参数与网络结构优化的共同调节，模型的训练时间由50min左右缩短为约4-7min。
在步骤S6中，对所述长短期记忆网络模型进行自适应优化(Adam)。
具体的，Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。Adam算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率(即alpha)更新所有的权重，学习率在训练过程中并不会改变。而Adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，加速机器的学习速度。
具体公式为：
mt＝β1mt-1+(1-β1)gt
其中：
θt是t的权重；
mt和是第一时刻的偏差和偏差校正估计值；
vt和是第二时刻的偏差和偏差校正估计值；
β1和β2是相应的衰减率，且具有相同的权值衰减项；
η是学习率。
下面以具体例子验证本发明实施例的准确性。
从月度和季度两方面分别预测区域工业经济增速。月度预测模型选取的样本时间范围为2010年3月—2017年12月，其中2017年8月—12月作为预测样本，其余作为训练样本。季度预测模型选取的样本时间范围为2010年一季度—2018年一季度，其中2017年的4个季度和2018年1季度作为预测样本，其余作为训练样本。评价指标为RMSE和MAPE。每组实验保持相同的模型参数。具体结果如下表所示。
基于LSTM模型的工业经济增速预测结果
具体的，优化后的模型从5组对比试验来看，在均方根误差和平均绝对百分比误差两个指标下，优化后的模型预测效果显著高于现有技术，特别是优化后季度模型表现更佳。
本发明实施例还提供了一种区域工业经济增速的预测系统，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
获取工业经济数据，形成历史数据；
基于所述历史数据确定工业经济的预测指标；
对所述预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；
基于所述标准化指标构建长短期记忆网络模型，所述长短期记忆网络模型用于预测区域工业经济的增速，所述长短期记忆网络模型包括：1个输入层、4个隐藏层和1个输出层；其中：隐藏层的网络结构为：LSTM层-Dropout层-Dense层-Dense层；
对所述长短期记忆网络模型进行批量数据处理；
对所述长短期记忆网络模型进行自适应优化。
可理解的是，本发明实施例提供的上述预测系统与上述预测方法相对应，其有关内容的解释、举例、有益效果等部分可以参考区域工业经济增速的预测方法中的相应内容，此处不再赘述。
本发明实施例还提供了一种计算机可读存储介质，该介质上存储有至少一条指令，至少所述一条指令由处理器加载并执行以实现如上述的方法。
综上所述，与现有技术相比，具备以下有益效果：
本发明实施例通过获取工业经济数据，形成历史数据；基于历史数据确定工业经济的预测指标；对预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；基于标准化指标构建长短期记忆网络模型，长短期记忆网络模型用于预测区域工业经济的增速；对长短期记忆网络模型进行批数据处理；对长短期记忆网络模型进行自适应优化。本发明实施例利用长短期记忆网络模型对工业经济数据进行处理，可以分析出工业经济影响因素与工业经济增速间的非线性关系，从而使得到的预测结果准确，同时对模型进行批数据处理和自适应优化，使得预测结果更加准确。本发明实施例可以为经济运行主管部门提供数据分析服务，也为政府对经济的运行调控提供了决策支持。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种区域工业经济增速的预测方法，其特征在于，所述预测方法由计算机执行，包括以下步骤：
获取工业经济数据，形成历史数据；
基于所述历史数据确定工业经济的预测指标；
对所述预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；
基于所述标准化指标构建长短期记忆网络模型，所述长短期记忆网络模型用于预测区域工业经济的增速，所述长短期记忆网络模型包括：1个输入层、4个隐藏层和1个输出层；其中：隐藏层的网络结构为：LSTM层-Dropout层-Dense层-Dense层；
对所述长短期记忆网络模型进行批量数据处理；
对所述长短期记忆网络模型进行自适应优化。
2.如权利要求1所述的预测方法，其特征在于，所述工业经济的预测指标包括：月度预测指标和季度预测指标。
3.如权利要求2所述的预测方法，其特征在于，所述月度预测指标包括：居民消费价格指数、生产者价格指数、采购经理指数、亏损单位数本月同比增长率、应收账款本月同比增长率、产成品存货本月同比增长率、主营业务收入本月同比增长率、利润总额本月同比增长率、亏损企业亏损额本月同比增长率、利税总额本月同比增长率、工业增加值本月同比增长率、工业用电量本月同比增长率、经济效益综合指数、总资产贡献率、资本保值增值率、资产负债率、流动资产周转次数、成本费用利润率、全员劳动生产率、工业产品产销率本月同比增长率、工业固定资产投资完成额本月同比增长率、全国工业增加值本月同比增长率、全国采购经理指数、企业景气指数、企业家信心指数、省工业生产者购进价格指数和月份。
4.如权利要求2所述的预测方法，其特征在于，所述季度预测指标包括：居民消费价格指数、生产者价格指数、采购经理指数、亏损单位数本季度同比增长率、应收账款同比增长率、产成品存货同比增长率、主营业务收入同比增长率、利润总额同比增长率、亏损企业亏损额同比增长率、利税总额同比增长率、工业增加值本季度同比增长率、工业用电量本季度同比增长率、经济效益综合指数、总资产贡献率、资本保值增值率、资产负债率、流动资产周转次数、成本费用利润率、全员劳动生产率、工业产品产销率本季度同比增长率、全国工业GDP同比增长率、劳动生产价值和季度。
5.如权利要求1所述的预测方法，其特征在于，所述归一化处理的方法包括区间缩放法，计算公式为：
y＝(x-Min)/(Max-Min)
其中：
y表示指标归一化处理后的数值；
x表示指标归一化处理前的数值；
Min表示指标的最小值；
Max表示指标的最大值。
6.如权利要求1所述的调度方法，其特征在于，所述自适应优化包括：
mt＝β1mt-1+(1-β1)gt
其中：
θt是t的权重；
mt和是第一时刻的偏差和偏差校正估计值；
vt和是第二时刻的偏差和偏差校正估计值；
β1和β2是相应的衰减率，且具有相同的权值衰减项；
η是学习率。
7.如权利要求1所述的调度方法，其特征在于，所述长短期记忆网络模型还包括评价指标，所述评价指标包括：均方根误差和平均绝对百分误差。
8.一种区域工业经济增速的预测系统，其特征在于，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
获取工业经济数据，形成历史数据；
基于所述历史数据确定工业经济的预测指标；
对所述预测指标进行异常值处理；对处理后的预测指标进行归一化处理，获得标准化指标；
基于所述标准化指标构建长短期记忆网络模型，所述长短期记忆网络模型用于预测区域工业经济的增速，所述长短期记忆网络模型包括：1个输入层、4个隐藏层和1个输出层；其中：隐藏层的网络结构为：LSTM层-Dropout层-Dense层-Dense层；
对所述长短期记忆网络模型进行批量数据处理；
对所述长短期记忆网络模型进行自适应优化。
9.一种计算机可读存储介质，该介质上存储有至少一条指令，至少所述一条指令由处理器加载并执行以实现如权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542849.4A CN110390426A (zh) | 2019-06-21 | 2019-06-21 | 区域工业经济增速的预测方法、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542849.4A CN110390426A (zh) | 2019-06-21 | 2019-06-21 | 区域工业经济增速的预测方法、系统和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110390426A true CN110390426A (zh) | 2019-10-29 |
Family
ID=68285666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910542849.4A Pending CN110390426A (zh) | 2019-06-21 | 2019-06-21 | 区域工业经济增速的预测方法、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110390426A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062004A (zh) * | 2019-12-20 | 2020-04-24 | 北京软通智慧城市科技有限公司 | 一种预测模型调整方法、装置、预测模拟器以及存储介质 |
| CN111353809A (zh) * | 2019-12-12 | 2020-06-30 | 合肥工业大学 | 社会消费品零售总额季度累计增幅预测方法和系统 |
| CN111768282A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 数据分析方法、装置、设备及存储介质 |
| CN112700041A (zh) * | 2020-12-30 | 2021-04-23 | 航天信息股份有限公司 | 一种预测玉米总供给量的方法及系统 |
| CN114282702A (zh) * | 2021-11-12 | 2022-04-05 | 合肥工业大学 | 基于iga-bp神经网络的土壤调理时间序列预测方法和系统 |
-
2019
- 2019-06-21 CN CN201910542849.4A patent/CN110390426A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353809A (zh) * | 2019-12-12 | 2020-06-30 | 合肥工业大学 | 社会消费品零售总额季度累计增幅预测方法和系统 |
| CN111062004A (zh) * | 2019-12-20 | 2020-04-24 | 北京软通智慧城市科技有限公司 | 一种预测模型调整方法、装置、预测模拟器以及存储介质 |
| CN111768282A (zh) * | 2020-06-30 | 2020-10-13 | 平安国际智慧城市科技股份有限公司 | 数据分析方法、装置、设备及存储介质 |
| CN111768282B (zh) * | 2020-06-30 | 2023-11-28 | 深圳赛安特技术服务有限公司 | 数据分析方法、装置、设备及存储介质 |
| CN112700041A (zh) * | 2020-12-30 | 2021-04-23 | 航天信息股份有限公司 | 一种预测玉米总供给量的方法及系统 |
| CN114282702A (zh) * | 2021-11-12 | 2022-04-05 | 合肥工业大学 | 基于iga-bp神经网络的土壤调理时间序列预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390426A (zh) | 区域工业经济增速的预测方法、系统和存储介质 | |
| WO2019001120A1 (zh) | 商品动态定价数据处理方法和系统 | |
| KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
| Li et al. | A belief-rule-based inventory control method under nonstationary and uncertain demand | |
| Boguslauskas et al. | The selection of financial ratios as independent variables for credit risk assessment | |
| CN113240192A (zh) | 模型训练及预测方法、装置、计算机设备及存储介质 | |
| Bailly et al. | Empirical analysis of a debt-augmented Goodwin model for the United States | |
| Raza et al. | Digital currency price analysis via deep forecasting approaches for business risk mitigation | |
| CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
| CN114493822A (zh) | 一种基于迁移学习的用户违约预测定价方法和系统 | |
| CN112308293A (zh) | 违约概率预测方法及装置 | |
| CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
| US20200051175A1 (en) | Method and System for Predicting and Indexing Probability of Financial Stress | |
| WO2023197502A1 (zh) | 一种电力综合评价方法及装置 | |
| CN114493035A (zh) | 一种企业违约概率预测方法及装置 | |
| Zandi et al. | Research on stock portfolio based on time series prediction and multi-objective optimization | |
| CN110232593A (zh) | 社会消费品零售总额累计增幅的预测方法和系统 | |
| CN111353809A (zh) | 社会消费品零售总额季度累计增幅预测方法和系统 | |
| Vaidya | Accuracy of Moving Average Forecasting for NEPSE | |
| Guo et al. | A Fuzzy‐Decomposition Grey Modeling Procedure for Management Decision Analysis | |
| CN110264260A (zh) | 一种电网设备材料价格的智能预测方法 | |
| Song et al. | [Retracted] Sparse Bayesian Model and Artificial Intelligence in Enterprise Goodwill Evaluation and Dynamic Management | |
| Prihandi et al. | Comparative Analysis of ARIMA and LSTM Algorithms for Predicting Chilli Prices in Bali | |
| da Costa et al. | Time Series Models Combination for Forecasting Quarterly GDP Components by the Expenditure Side | |
| Avdoulas et al. | Nonlinear forecasting of euro area industrial production using evolutionary approaches |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191029 |
|
| WD01 | Invention patent application deemed withdrawn after publication |