CN110705736A - 宏观经济预测方法、装置、计算机设备及存储介质 - Google Patents
宏观经济预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110705736A CN110705736A CN201910451284.9A CN201910451284A CN110705736A CN 110705736 A CN110705736 A CN 110705736A CN 201910451284 A CN201910451284 A CN 201910451284A CN 110705736 A CN110705736 A CN 110705736A
- Authority
- CN
- China
- Prior art keywords
- time period
- predicted
- macro
- target area
- economic
- 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 52
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000006399 behavior Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (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
本发明公开了一种宏观经济预测方法、装置、计算机设备及存储介质，该方法包括：根据目标区域的待预测时间段内的网络搜索行为，确定目标区域的待预测时间段内各目标关键词的日平均搜索量，根据各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定目标区域的待预测时间段内的宏观经济指标。一方面，在预测中采用了通过大数据训练出的宏观经济模型，预测的宏观经济指标的准确性较高，另一方面，只要确定出目标区域的待预测时间段内各目标关键词的日平均搜索量，就可以对该目标区域的待预测时间段内的宏观经济进行预测，相较于目前统计后再发布宏观经济指标的方式，实时性更强。
Description
技术领域
本发明实施例涉及大数据预测技术领域，尤其涉及一种宏观经济预测方法、装置、计算机设备及存储介质。
背景技术
在社会经济活动中，宏观经济分析非常重要：一方面，只有把握住经济发展的大方向，才能把握总体变动趋势，做出正确的长期决策；另一方面，宏观经济是各个体经济的总和，因而企业的价值行为必然在宏观经济的总体中综合反映出来，所以，宏观经济分析是判断整个市场经济的关键。
目前，国内生产总值(Gross Domestic Product，GDP)增速等用于评估社会宏观经济发展的重要指标，由统计局统计后进行发布。
但是，上述方式中由于需要经过统计才能发布，因此，宏观经济指标的发布时间有延迟，并不能实时、准确地反映经济发展的实际状况和发展区域。
发明内容
本发明提供一种宏观经济预测方法、装置、计算机设备及存储介质，以解决目前的宏观经济预测过程效率较低的技术问题。
第一方面，本发明实施例提供一种宏观经济预测方法，包括：
根据目标区域的待预测时间段内的网络搜索行为，确定所述目标区域的待预测时间段内各目标关键词的日平均搜索量；
根据所述各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定所述目标区域的待预测时间段内的宏观经济指标；其中，所述宏观经济预测模型为根据所述目标区域的多个历史时间段中，每个历史时间段内各所述目标关键词的历史日平均搜索量以及所述历史时间段的历史宏观经济指标对神经网络算法进行训练确定出的，所述历史时间段与所述待预测时间段的长度相同。
第二方面，本发明实施例提供一种宏观经济预测装置，包括：
第一确定模块，用于根据目标区域的待预测时间段内的网络搜索行为，确定所述目标区域的待预测时间段内各目标关键词的日平均搜索量；
第二确定模块，用于根据所述各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定所述目标区域的待预测时间段内的宏观经济指标；其中，所述宏观经济预测模型为根据所述目标区域的多个历史时间段中，每个历史时间段内各所述目标关键词的历史日平均搜索量以及所述历史时间段的历史宏观经济指标对神经网络算法进行训练确定出的，所述历史时间段与所述待预测时间段的长度相同。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面提供的宏观经济预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面提供的宏观经济预测方法。
本发明实施例提供了一种宏观经济预测方法、装置、计算机设备及存储介质，该方法包括：根据目标区域的待预测时间段内的网络搜索行为，确定目标区域的待预测时间段内各目标关键词的日平均搜索量，根据各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定目标区域的待预测时间段内的宏观经济指标。一方面，在预测中采用了通过大数据训练出的宏观经济模型，预测的宏观经济指标的准确性较高，另一方面，只要确定出目标区域的待预测时间段内各目标关键词的日平均搜索量，就可以对该目标区域的待预测时间段内的宏观经济进行预测，相较于目前统计后再发布宏观经济指标的方式，实时性更强。因此，本实施例提供的宏观经济预测方法，准确性和实时性均较高。
附图说明
图1为本发明提供的宏观经济预测方法实施例一的流程示意图；
图2为本发明提供的宏观经济预测方法实施例二的流程示意图；
图3A为图2所示实施例中GDP增速预测拟合曲线和误差曲线的示意图；
图3B为图2所示实施例中第二产业增加值增速预测拟合曲线和误差曲线的示意图；
图3C为图2所示实施例中第三产业增加值增速预测拟合曲线和误差曲线的示意图；
图4为图2所示实施例中宏观经济指标预测模型的预测结果及误差率的示意图；
图5为本发明提供的宏观经济预测装置实施例一的结构示意图；
图6为本发明提供的宏观经济预测装置实施例二的结构示意图；
图7为本发明提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明提供的宏观经济预测方法实施例一的流程示意图。本实施例适用于对宏观经济指标进行预测的场景。本实施例可以由宏观经济预测装置来执行，该宏观经济预测装置可以由软件和/或硬件的方式实现，该宏观经济预测装置可以集成于计算机设备中。如图1所示，本实施例提供的宏观经济预测方法包括如下步骤：
步骤101：根据目标区域的待预测时间段内的网络搜索行为，确定目标区域的待预测时间段内各目标关键词的日平均搜索量。
具体地，本实施例中目标区域可以是一个城市、一个省份或者某几个城市组成的区域。待预测时间段的长度可以是一天、一周、一月或者一季度，可以根据具体需求确定待预测时间段的粒度。例如，假设需要预测深圳市2019年第2季度的宏观经济指标，则目标区域为深圳市，待预测时间段为2019年4月-6月，待预测时间段的长度为一个季度。
网络搜索行为指的是网民在网络上进行关键字搜索的行为。随着数字经济时代来临，电商、线上到线下(Online To Offline，O2O)等新经济形态的广泛渗透，越来越多的经济行为转移到线上，跨境电商、电子口岸、网上购物、社交网络等新兴市场、经济与贸易方式的飞速发展，电子商务、互联网金融等商业模式和方式已经成为人们生产生活不可或缺的重要形式。人们通过互联网进行购物、交流、搜索、浏览，以及从事商业等等行为，互联网已经从传统的信息传播媒介升华为虚拟的社会空间，越来越多有关经济、社会发展运行的数据被映射到线上。网络搜索行为可以反应网民搜索的关键字、某一关键字被搜索的次数等，其反映了不同区域网民的搜索意愿和搜索倾向。目标区域的待预测时间段内的网络搜索行为指的是发生搜索的互联网协议(Internet Protocol，IP)地址为目标区域内的IP地址，发生搜索的时间位于待预测时间段内。
可选地，在本实施例中，可以从百度指数中获取目标区域的待预测时间段内的网络搜索行为。百度指数是以百度海量网民行为数据为基础的数据分享平台。本实施例中之所以从百度指数中获取目标区域的网络搜索行为的原因为：百度为目前应用最广泛的搜索引擎，拥有庞大的用户基数和最广泛的用户覆盖率，可反映国内各阶层网民的经济行为；百度指数的时间粒度足够小(最小按日更新)，其动态性较强，可以达到实时监测经济走势的目的；百度指数收录的庞大关键字信息，可以涵盖包括生产、生活各领域的概念关注度信息，可以构建一个套覆盖社会经济发展各领域的网民关注度矩阵，实现大数据经济行为预测。
本实施例中所涉及的目标关键词指的是与宏观经济相关的词组。如何确定目标关键词的过程将在实施例二中进行具体描述。表1示出了各目标关键词的一种可能的实现方式。
表1目标关键词表
步骤101的具体过程可以是先根据目标区域的待预测时间段内的网络搜索行为，确定目标区域的待预测时间段内每个目标关键词的总搜索量，再根据目标区域的待预测时间段内每个目标关键词的总搜索量以及待预测时间段的长度，确定目标区域的待预测时间段内每个目标关键词的日平均搜索量。例如，假设确定目标关键词“纤维”2019年4-6月在深圳市的日平均搜索量，过程为：先确定出“纤维”2019年4-6月在深圳市的总搜索量，即，总共被搜索的次数，再用该总搜索量除以4-6月间的总天数即可得到“纤维”在2019年4-6月在深圳市的日平均搜索量。
步骤102：根据各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定目标区域的待预测时间段内的宏观经济指标。
其中，宏观经济预测模型为根据目标区域的多个历史时间段中，每个历史时间段内各目标关键词的历史日平均搜索量以及历史时间段的历史宏观经济指标对神经网络算法进行训练确定出的。历史时间段与待预测时间段的长度相同。
具体地，本实施例中的宏观经济指标可以为：GDP增速、第二产业增加值增速或者第三产业增加值增速。
本实施例中的宏观经济预测模式为采用历史大数据对神经网络算法进行训练确定出的。大数据技术不仅意味着数据处理技术和处理能力的极大提升，而且使得全社会的数据资源分布结构也在发生深刻改变。在实时、交互、离散化、非结构化的海量数据中，蕴含着经济社会运行和经济发展的各种先行信号，因此，大数据对于宏观经济监测和预测来说，变得越来越重要。
本实施例中采用的神经网络算法可以是长短期记忆网络(Long Short-TermMemory，LSTM)算法。
训练神经网络算法的具体过程为：将目标区域的多个历史时间段中，每个历史时间段内各目标关键词的历史日平均搜索量输入初始的神经网络算法中，得到宏观经济指标的预测值，将该预测值与该历史时间段内的真实的历史宏观经济指标进行比较，确定误差值，针对多个历史时间段均执行这个操作，确定出总误差值；以减小总误差值为目的，调整神经网络算法中的参数，再获取多个更新后的预测值，再将更新后的预测值与对应的历史时间段内的真实的历史宏观经济指标进行比较，获取新的总误差值，重复执行此步骤，直至总误差值小于预设的误差阈值；最终会确定出具有特定参数的神经网络算法，即为本实施例中的宏观经济预测模型。
需要说明的是，历史时间段与待预测时间段的长度相同意为如果需要预测某个季度的宏观经济指标，则在训练宏观经济预测模式时，也要以季度为粒度进行训练，即，历史时间段为某一个季度，历史宏观经济指标为该季度的真实的宏观经济指标。
本实施例提供的宏观经济预测方法，包括：根据目标区域的待预测时间段内的网络搜索行为，确定目标区域的待预测时间段内各目标关键词的日平均搜索量，根据各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定目标区域的待预测时间段内的宏观经济指标。一方面，在预测中采用了通过大数据训练出的宏观经济模型，预测的宏观经济指标的准确性较高，另一方面，只要确定出目标区域的待预测时间段内各目标关键词的日平均搜索量，就可以对该目标区域的待预测时间段内的宏观经济进行预测，相较于目前统计后再发布宏观经济指标的方式，实时性更强。因此，本实施例提供的宏观经济预测方法，准确性和实时性均较高。
图2为本发明提供的宏观经济预测方法实施例二的流程示意图。本实施例在实施例一所给出各个可选方案的基础上，对如何确定宏观经济预测模型的实现方式，作一详细说明。如图2所示，本实施例提供的宏观经济预测方法包括如下步骤：
步骤201：根据经济类新闻资讯以及目标区域的历史网络搜索行为，确定各目标关键词。
具体地，本实施例中采用的各种经济类新闻资讯的文本来源可以是各种综合媒体、经济专业媒体或者本地经济媒体的网站。表2示出了经济类新闻资讯的文本来源。
表2经济类新闻资讯的文本来源表
本实施例中同样可以从百度指数中获取目标区域的历史网络搜索行为。从经济类新闻资讯中确定出初始关键词后，再将在百度指数中无数据的初始关键词剔除，确定出可用关键词。再通过数据长度筛选、连续性筛选后确定出各目标关键词。
对于初始关键词，结合J2EE的爬虫框架、代理IP等服务，以HttpClients技术对初始关键词所在的页面进行请求下载，以HtmlCleaner和Xpath技术等对页面进行解析，抓取初始关键词在历史时间段内在目标区域中百度指数的日搜索次数，结合Redis等存储技术，实现初始关键词及其百度指数的高速存储，为后续对数据的研究分析奠定基础。某些初始关键词在百度指数中可能没有数据，将这些初始关键词剔除。数据长度筛选指的是将可用关键词中被搜索的开始时间晚于多个历史时间段的最早开始时间的词剔除，例如，假设多个历史时间段的最早开始时间为2011年第一季度，某个可用关键词是在2013年第三季度才开始被搜索，则将该可用关键词剔除。连续性筛选指的是将可用关键词中在多个历史时间段内被搜索次数出现缺失的词剔除，例如，假设多个历史时间段分别为：2011年第一季度、2011年第二季度、2011年第三季度、2011年第四季度，某个可用关键词在2011年第一季度、2011年第三季度、2011年第四季度均有被搜索的记录，但是在2011年第二季度没有被搜索的记录，则将该可用关键词剔除。
最终，结合经济类新闻资讯以及目标区域的历史网络搜索行为，可以确定出多个目标关键词。本实施例中最终确定出的目标关键词的数量为388个。
步骤202：根据目标区域的多个历史时间段中，每个历史时间段内各目标关键词的历史日平均搜索量以及历史时间段的历史宏观经济指标对LSTM算法进行训练，确定宏观经济预测模型。
具体地，本实施例中的神经网络算法为LSTM算法。LSTM是递归神经网络(Recurrent Neural Network，RNN)的一个优化变种，它引入了时间序列的概念，解决了深度神经网络学习过程与时序无关性的问题，更适合时间序列数据(如：GDP等)的回归问题。原生的RNN在实际应用过程，随着网络层数的增加(RNN的层是按时间展开)，会发生信息梯度消失问题，也就是后面时间的节点对于前面时间的节点感知力下降。LSTM通过引入具有记忆机制的单元(Cell)，解决了RNN的信息梯度消失问题。
多个历史时间段中，每个历史时间段均对应一个真实的历史宏观经济指标。根据每个历史时间段内的各目标关键词的历史总搜索量，以及历史时间段的长度，可以确定出各目标关键词的历史日平均搜索量。
训练LSTM算法的具体过程为：将目标区域的多个历史时间段中，每个历史时间段内各目标关键词的历史日平均搜索量输入初始的LSTM算法中，得到宏观经济指标的预测值，由于有多个历史时间段，则可以获取到多个预测值，将多个预测值与对应的历史时间段内的真实的历史宏观经济指标进行比较，确定误差值；以减小误差值为目的，调整LSTM算法中的参数，获取多个更新后的预测值，再将多个更新后的预测值与对应的历史时间段内的真实的历史宏观经济指标进行比较，获取新的误差值，重复执行此步骤，直至误差值小于预设的误差阈值；最终会确定出具有特定参数的LSTM算法，即为本实施例中的宏观经济预测模型。
本实施例中的误差值可以是均方根误差。均方根误差(Root Mean SquaredError，RMSE)定义如下：
图3A为图2所示实施例中GDP增速预测拟合曲线和误差曲线的示意图。如图3A所示，图3A中上面的图表示的是GDP增速预测拟合曲线，纵坐标表示GDP增速，横坐标为时间坐标，拟合曲线上用圆点或者“×”示出的点的横坐标表示的是历史时间段。有“×”的线表示的是真实的历史GDP增速，有点的线表示的是预测出的GDP增速。图3A中下面的图表示的是该预测模型的误差。其中，深一点的线表示的是训练该预测模型时的误差，浅一点的线表示的是测试该预测模型时的误差。
当宏观经济指标为GDP增速时，本实施例提供的宏观经济预测模型为GDP增速预测模型。该GDP增速预测模型的超参数设置如以下代码所示：
图3B为图2所示实施例中第二产业增加值增速预测拟合曲线和误差曲线的示意图。如图3B所示，图3B中上面的图表示的是第二产业增加值增速预测拟合曲线，纵坐标表示第二产业增加值增速，横坐标为时间坐标，拟合曲线上用圆点或者“×”示出的点的横坐标表示的是历史时间段。有“×”的线表示的是真实的历史第二产业增加值增速，有点的线表示的是预测出的第二产业增加值增速。图3B中下面的图表示的是该预测模型的误差。其中，深一点的线表示的是训练该预测模型时的误差，浅一点的线表示的是测试该预测模型时的误差。
当宏观经济指标为第二产业增加值增速时，本实施例提供的宏观经济预测模型为第二产业增加值增速预测模型。该第二产业增加值增速预测模型的超参数设置如以下代码所示：
图3C为图2所示实施例中第三产业增加值增速预测拟合曲线和误差曲线的示意图。如图3C所示，图3C中上面的图表示的是第三产业增加值增速预测拟合曲线，纵坐标表示第三产业增加值增速，横坐标为时间坐标，拟合曲线上用圆点或者“×”示出的点的横坐标表示的是历史时间段。有“×”的线表示的是真实的历史第三产业增加值增速，有点的线表示的是预测出的第三产业增加值增速。图3C中下面的图表示的是该预测模型的误差。其中，深一点的线表示的是训练该预测模型时的误差，浅一点的线表示的是测试该预测模型时的误差。
当宏观经济指标为第三产业增加值增速时，本实施例提供的宏观经济预测模型为第三产业增加值增速预测模型。该第三产业增加值增速预测模型的超参数设置如以下代码所示：
在上述代码中，UNITS表示在训练神经网络算法时，神经网络的初始神经单元的数量，其为可配置的参数。Dropout表示神经网络的中间计算过程中，神经单元的递减比例设置，其也为可配置的参数。
图4为图2所示实施例中宏观经济指标预测模型的预测结果及误差率的示意图。如图4所示，其示出了当宏观经济指标分别为某一目标区域的GDP增速、第二产业增加值增速以及第三产业增加值增速时，预测值、实际值以及误差率。其中，2011年第二季度(2011Q2)、2011年第三季度、……、2017年第三季度均为历史时间段。从图4中可以看到，GDP增速、第二产业增加值增速以及第三产业增加值增速三个指标的训练集预测平均误差率，均在较低范围内(<±5％)。
步骤203：根据目标区域的待预测时间段内的网络搜索行为，确定目标区域的待预测时间段内各目标关键词的日平均搜索量。
步骤203与步骤101的实现过程和技术原理类似，此处不再赘述。
步骤204：根据各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定目标区域的待预测时间段内的宏观经济指标。
步骤204与步骤102的实现过程和技术原理类似，此处不再赘述。
本实施例提供的宏观经济预测方法，包括：根据经济类新闻资讯以及目标区域的历史网络搜索行为，确定各目标关键词，根据目标区域的多个历史时间段中，每个历史时间段内各目标关键词的历史日平均搜索量以及历史时间段的历史宏观经济指标对LSTM算法进行训练，确定宏观经济预测模型，根据目标区域的待预测时间段内的网络搜索行为，确定目标区域的待预测时间段内各目标关键词的日平均搜索量，根据各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定目标区域的待预测时间段内的宏观经济指标。本实施例中的宏观经济经济预测模型采用LSTM算法确定，进一步保证了预测的准确性。
图5为本发明提供的宏观经济预测装置实施例一的结构示意图。如图5所示，本实施例提供的宏观经济预测装置包括：第一确定模块51以及第二确定模块52。
第一确定模块51，用于根据目标区域的待预测时间段内的网络搜索行为，确定目标区域的待预测时间段内各目标关键词的日平均搜索量。
本实施例中所涉及的待预测时间段的长度为以下任一种：一天、一周、一月或者一季度。
可选地，第一确定模块51具体用于：根据目标区域的待预测时间段内的网络搜索行为，确定目标区域的待预测时间段内每个目标关键词的总搜索量；根据目标区域的待预测时间段内每个目标关键词的总搜索量以及待预测时间段的长度，确定目标区域的待预测时间段内每个目标关键词的日平均搜索量。
第二确定模块52，用于根据各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定目标区域的待预测时间段内的宏观经济指标。
其中，宏观经济预测模型为根据目标区域的多个历史时间段中，每个历史时间段内各目标关键词的历史日平均搜索量以及历史时间段的历史宏观经济指标对神经网络算法进行训练确定出的，历史时间段与待预测时间段的长度相同。
可选地，本实施例提供的宏观经济预测装置还包括获取模块，用于从百度指数中获取目标区域的待预测时间段内的网络搜索行为。
可选地，宏观经济指标为：GDP增速、第二产业增加值增速或者第三产业增加值增速。
本发明实施例所提供的宏观经济预测装置可执行本发明任意实施例所提供的宏观经济预测方法，具备执行方法相应的功能模块和有益效果。
图6为本发明提供的宏观经济预测装置实施例二的结构示意图。本实施例在宏观经济预测装置实施例一的基础上，对宏观经济预测装置的其他模块作一详细说明。如图6所示，本实施例提供的宏观经济预测装置还包括：第三确定模块61以及训练模块62。
第三确定模块61，用于根据经济类新闻资讯以及目标区域的历史网络搜索行为，确定各目标关键词。
训练模块62，用于根据目标区域的多个历史时间段中，每个历史时间段内各目标关键词的历史日平均搜索量以及历史时间段的历史宏观经济指标对长短期记忆网络算法进行训练，确定宏观经济预测模型。
可选地，本实施例中的神经网络算法为长短期记忆网络算法。
本发明实施例所提供的宏观经济预测装置可执行本发明任意实施例所提供的宏观经济预测方法，具备执行方法相应的功能模块和有益效果。
图7为本发明提供的计算机设备的结构示意图。如图7所示，该计算机设备包括处理器70和存储器71。该计算机设备中处理器70的数量可以是一个或多个，图7中以一个处理器70为例；该计算机设备的处理器70和存储器71可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的宏观经济预测方法对应的程序指令以及模块(例如，宏观经济预测装置中的第一确定模块51以及第二确定模块52)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的宏观经济预测方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种宏观经济预测方法，该方法包括：
根据目标区域的待预测时间段内的网络搜索行为，确定所述目标区域的待预测时间段内各目标关键词的日平均搜索量；
根据所述各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定所述目标区域的待预测时间段内的宏观经济指标；其中，所述宏观经济预测模型为根据所述目标区域的多个历史时间段中，每个历史时间段内各所述目标关键词的历史日平均搜索量以及所述历史时间段的历史宏观经济指标对神经网络算法进行训练确定出的，所述历史时间段与所述待预测时间段的长度相同。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的宏观经济预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
值得注意的是，上述宏观经济预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种宏观经济预测方法，其特征在于，包括：
根据目标区域的待预测时间段内的网络搜索行为，确定所述目标区域的待预测时间段内各目标关键词的日平均搜索量；
根据所述各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定所述目标区域的待预测时间段内的宏观经济指标；其中，所述宏观经济预测模型为根据所述目标区域的多个历史时间段中，每个历史时间段内各所述目标关键词的历史日平均搜索量以及所述历史时间段的历史宏观经济指标对神经网络算法进行训练确定出的，所述历史时间段与所述待预测时间段的长度相同。
2.根据权利要求1所述的方法，其特征在于，所述根据目标区域的待预测时间段内的网络搜索行为，确定所述目标区域的待预测时间段内各目标关键词的日平均搜索量，包括：
根据所述目标区域的待预测时间段内的网络搜索行为，确定所述目标区域的待预测时间段内每个目标关键词的总搜索量；
根据所述目标区域的待预测时间段内每个目标关键词的总搜索量以及所述待预测时间段的长度，确定所述目标区域的待预测时间段内每个目标关键词的日平均搜索量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标区域的待预测时间段内的网络搜索行为，确定所述目标区域的待预测时间段内每个目标关键词的总搜索量之前，所述方法还包括：
从百度指数中获取所述目标区域的待预测时间段内的网络搜索行为。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述神经网络算法为长短期记忆网络算法。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据经济类新闻资讯以及所述目标区域的历史网络搜索行为，确定各所述目标关键词；
根据所述目标区域的多个历史时间段中，每个历史时间段内各所述目标关键词的历史日平均搜索量以及所述历史时间段的历史宏观经济指标对长短期记忆网络算法进行训练，确定所述宏观经济预测模型。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述宏观经济指标为：国内生产总值GDP增速、第二产业增加值增速或者第三产业增加值增速。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述待预测时间段的长度为以下任一种：一天、一周、一月或者一季度。
8.一种宏观经济预测装置，其特征在于，包括：
第一确定模块，用于根据目标区域的待预测时间段内的网络搜索行为，确定所述目标区域的待预测时间段内各目标关键词的日平均搜索量；
第二确定模块，用于根据所述各目标关键词的日平均搜索量，采用预配置的宏观经济预测模型，确定所述目标区域的待预测时间段内的宏观经济指标；其中，所述宏观经济预测模型为根据所述目标区域的多个历史时间段中，每个历史时间段内各所述目标关键词的历史日平均搜索量以及所述历史时间段的历史宏观经济指标对神经网络算法进行训练确定出的，所述历史时间段与所述待预测时间段的长度相同。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的宏观经济预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的宏观经济预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451284.9A CN110705736A (zh) | 2019-05-28 | 2019-05-28 | 宏观经济预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451284.9A CN110705736A (zh) | 2019-05-28 | 2019-05-28 | 宏观经济预测方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110705736A true CN110705736A (zh) | 2020-01-17 |
Family
ID=69193116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910451284.9A Pending CN110705736A (zh) | 2019-05-28 | 2019-05-28 | 宏观经济预测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705736A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113449242A (zh) * | 2020-03-27 | 2021-09-28 | 北京京东振世信息技术有限公司 | 物流运单量数据的处理方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600310A (zh) * | 2016-11-04 | 2017-04-26 | 重庆邮电大学 | 一种基于网络搜索指数进行销量预测的方法和系统 |
| CN108460679A (zh) * | 2018-02-28 | 2018-08-28 | 电子科技大学 | 融合注意力机制的深度网络智能投资系统数据分析方法 |
| CN108537377A (zh) * | 2018-04-03 | 2018-09-14 | 福州大学 | 一种基于网络搜素指数的房价预测方法 |
| CN109558966A (zh) * | 2018-10-28 | 2019-04-02 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 智能判证预测事件发生的处理系统 |
-
2019
- 2019-05-28 CN CN201910451284.9A patent/CN110705736A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600310A (zh) * | 2016-11-04 | 2017-04-26 | 重庆邮电大学 | 一种基于网络搜索指数进行销量预测的方法和系统 |
| CN108460679A (zh) * | 2018-02-28 | 2018-08-28 | 电子科技大学 | 融合注意力机制的深度网络智能投资系统数据分析方法 |
| CN108537377A (zh) * | 2018-04-03 | 2018-09-14 | 福州大学 | 一种基于网络搜素指数的房价预测方法 |
| CN109558966A (zh) * | 2018-10-28 | 2019-04-02 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 智能判证预测事件发生的处理系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113449242A (zh) * | 2020-03-27 | 2021-09-28 | 北京京东振世信息技术有限公司 | 物流运单量数据的处理方法、装置、设备及存储介质 |
| CN113449242B (zh) * | 2020-03-27 | 2023-09-26 | 北京京东振世信息技术有限公司 | 物流运单量数据的处理方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9367601B2 (en) | Cost-based optimization of configuration parameters and cluster sizing for hadoop | |
| CN110609852B (zh) | 流式数据处理方法、装置、计算机设备和存储介质 | |
| CN108021673A (zh) | 一种用户兴趣模型生成方法、职位推荐方法及计算设备 | |
| CN103425564A (zh) | 一种智能手机软件使用预测方法 | |
| CN112231481A (zh) | 网址的分类方法、装置、计算机设备和存储介质 | |
| CN114356712B (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
| CN117131059A (zh) | 报表数据处理方法、装置、设备及存储介质 | |
| CN110705736A (zh) | 宏观经济预测方法、装置、计算机设备及存储介质 | |
| CN116991675A (zh) | 一种异常访问监控方法、装置、计算机设备及存储介质 | |
| Li et al. | The extreme counts: modeling the performance uncertainty of cloud resources with extreme value theory | |
| CN111723202B (zh) | 一种舆情数据的处理装置、方法和系统 | |
| CN114925919A (zh) | 业务资源处理方法、装置、计算机设备和存储介质 | |
| CN116860541A (zh) | 业务数据采集方法、装置、计算机设备和存储介质 | |
| CN114510708A (zh) | 实时数据仓库构建、异常检测方法、装置、设备及产品 | |
| CN111598390A (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
| CN111198900A (zh) | 工业控制网络的数据缓存方法、装置、终端设备及介质 | |
| Xu et al. | Big data service request prediction based on historical behavior time series | |
| CN114358911B (zh) | 开票数据风险控制方法、装置、计算机设备和存储介质 | |
| CN116431366B (zh) | 行为路径分析方法、系统、存储端、服务端及客户端 | |
| CN111277445B (zh) | 一种评估在线节点服务器性能的方法及装置 | |
| Jin et al. | Information value evaluation model for ILM | |
| CN117992241B (zh) | 基于大数据的科技型中小企业银企对接服务系统及方法 | |
| US20230169345A1 (en) | Multiscale dimensional reduction of data | |
| CN115396319B (zh) | 数据流分片方法、装置、设备及存储介质 | |
| Rasmussen et al. | Improving the responsiveness of internet services with automatic cache placement |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
| RJ01 | Rejection of invention patent application after publication |