CN112668784A - 基于大数据的区域宏观经济预测模型及方法 - Google Patents
基于大数据的区域宏观经济预测模型及方法 Download PDFInfo
- Publication number
- CN112668784A CN112668784A CN202011608250.5A CN202011608250A CN112668784A CN 112668784 A CN112668784 A CN 112668784A CN 202011608250 A CN202011608250 A CN 202011608250A CN 112668784 A CN112668784 A CN 112668784A
- Authority
- CN
- China
- Prior art keywords
- economy
- macro
- economic
- data
- area
- 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 59
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000004088 simulation Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 34
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大数据的区域宏观经济预测模型及方法，用于对一区域内所有经济体提供的初始经济数据进行分析以预测所述区域的区域宏观经济，其中所述区域宏观经济预测模型包括大数据库、历代模型、预测模型和训练模型。由于本发明中用于预测当代区域宏观经济的初始经济数据都是历代已经产生的，不存在滞后的问题；同时，由于将初始经济数据导入后，该模型能够自动计算，因此无需过多人力；此外，通过训练模型对预测模型训练，使得最终得到的当代区域宏观经济的分析结果更加贴合实际，对实际经济发展有着指导意义。如此，解决了现有区域宏观经济的分析发展滞后所导致的经济体发展速度较慢的问题。
Description
技术领域
本发明涉及经济技术领域，特别涉及一种基于大数据的区域宏观经济预测模型及方法。
背景技术
区域宏观经济，即宏观层面的一个区域总量经济活动经济，包括区域国民经济总量、国民经济构成(主要分为GDP部门与非GDP部门)、产业发展阶段与产业结构、经济发展程度(人类发展指数、社会发展指数、社会福利指数、幸福指数)。区域宏观经济反应了整个区域内国民经济或国民经济总体及其经济活动和运行状态，如总供给与总需求、国民经济的总值及其增长速度、国民经济中的主要比例关系、物价的总水平、劳动就业的总水平与失业率、货币发行的总规模与增长速度、进出口贸易的总规模及其变动等。宏观经济的主要目标是维持高水平和快速增长的产出率、低失业率和稳定的价格水平。
区域宏观经济是对某一特定地区进行宏观管理的重要手段，是制定一个地区社会经济发展战略的基本依据和出发点。从编制区域规划过程中相关因素的逻辑联系和内外联系来看，区域宏观经济实际上是一个复杂的系统工程。然而现有的区域宏观经济的分析通常都是滞后的，需要先花费大量精力统计该区域内所有经济体的经济数据，再对这些经济数据进行核实、分析、计算，最终得到该区域的宏观经济分析结果。由于区域宏观经济分析结果的滞后性，往往对区域内的经济体的发展起不到发展指引的作用，使得经济体的发展速度较慢。
发明内容
本发明的目的在于提供一种基于大数据的区域宏观经济预测模型及方法，以解决现有区域宏观经济的分析发展滞后所导致的经济体发展速度较慢的问题。
为解决上述技术问题，本发明提供一种基于大数据的区域宏观经济预测模型，用于对一区域内所有经济体提供的初始经济数据进行分析以预测所述区域的区域宏观经济，所述区域宏观经济预测模型包括大数据库、历代模型、预测模型和训练模型；所述大数据库包括所述区域内所有经济体历代产生的初始经济数据；所述历代模型用于根据所述大数据库中的初始经济数据进行分析计算，以得到所述区域的历代区域宏观经济；所述预测模型用于对所述历代区域宏观经济进行分析计算，以预测所述区域的当代区域宏观经济；所述训练模型用于对所述预测模型进行训练。
可选的，在所述的基于大数据的区域宏观经济预测模型中，所述初始经济数据包括居民收入水平、物价总水平、GDP、人均GDP、失业率和纳税总额。
可选的，在所述的基于大数据的区域宏观经济预测模型中，所述历代模型包括数据整理模块、数据计算模块和结果输出模块；所述数据整理模块用于将所述大数据库中的所有所述初始经济数据按照预设方式进行分类整理；所述数据计算模块用于将整理后的所述初始经济数据进行分析计算，以得到历代区域宏观经济；所述结果输出模块用于将分析计算得到的历代区域宏观经济输出。
可选的，在所述的基于大数据的区域宏观经济预测模型中，所述预测模型包括初步分析模块、模拟验证模块和报告生成模块；所述初步分析模块用于对所述历代区域宏观经济进行分析计算，以得到当代区域宏观经济的初步结果；所述模拟验证模块用于根据所有所述经济数据和历代区域宏观经济对所述初步结果进行模拟验证，以优化所述初步结果；所述报告生成模块用于生成当代区域宏观经济的预测结果报告。
为解决上述技术问题，本发明还提供一种基于大数据的区域宏观经济预测方法，
所述区域宏观经济预测方法包括：
建立大数据库，所述大数据库包括一区域内所有经济体历代产生的初始经济数据；
根据所有所述初始经济数据分析计算得到所述区域的历代区域宏观经济；
根据所述历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济。
可选的，在所述的基于大数据的区域宏观经济预测方法中，根据所有所述初始经济数据分析计算得到所述区域的历代区域宏观经济的方法包括：
将所述大数据库中的所有所述初始经济数据按照预设方式进行分类整理；
将整理后的所述初始经济数据进行分析计算以得到历代区域宏观经济。
可选的，在所述的基于大数据的区域宏观经济预测方法中，所述预设方式包括：
按照经济数据的类别将同一类别的初始经济数据归为同一类；
将同一类中的初始经济数据按时间先后顺序进行排序，时间靠后的排在前面；
将同一类中时间一致的初始经济数据按照体量大小进行排序，体量大的排在前面。
可选的，在所述的基于大数据的区域宏观经济预测方法中，将整理后的所述初始经济数据进行分析计算以得到历代区域宏观经济的方法包括：
将每一类中的初始经济数据按照预设时间间隔进行划分，并将同一时间间隔内的同一类的初始经济数据进行加权加总，以得到对应于相应类别、相应时间间隔的次级经济数据，其中时间越靠后的初始经济数据的权重越大；
对同一时间间隔内的各类次级经济数据进行运算，以得到该时间间隔对应的区域宏观经济；
重复上一步骤，以得到各时间间隔对应的区域宏观经济；
将各时间间隔对应的区域宏观经济按照时间先后顺序进行排序，以得到历代区域宏观经济，其中时间靠后的排在前面。
可选的，在所述的基于大数据的区域宏观经济预测方法中，根据所述历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济的方法包括：
对所述历代区域宏观经济进行加权平均，以得到当代区域宏观经济的初步结果，其中时间越靠后的初始经济数据的权重越大；
根据所有所述经济数据和历代区域宏观经济对所述初始当代区域宏观经济的初步结果进行模拟验证，以优化所述初步结果；
将优化后的所述初步结果作为当代区域宏观经济，并形成预测结果报告。
可选的，在所述的基于大数据的区域宏观经济预测方法中，所述区域宏观经济预测方法还包括：
构建训练模型；
所述训练模型调用所述大数据库中的初始经济数据，并对所述初始经济数据进行加权迭代，计算得到伪历代区域宏观经济，其中时间越靠后的初始经济数据的权重越大；
利用所述伪历代区域宏观经济对所述历代区域宏观经济进行修正，以得到修正后的历代区域宏观经济；
根据修正后的历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济。
可选的，在所述的基于大数据的区域宏观经济预测方法中，利用所述伪历代区域宏观经济对所述历代区域宏观经济进行修正，其中
修正系数的计算公式为：
当代区域宏观经济的计算公式为：
其中，Q1为伪历代区域宏观经济；Q0为历代区域宏观经济；n表示历代区域宏观经济中按照时间间隔划分所对应的区域宏观经济的总个数；f(t)为按照时间顺序对历代区域宏观经济的加权比重。
本发明提供的基于大数据的区域宏观经济预测模型及方法，其中所述区域宏观经济预测模型包括大数据库、历代模型、预测模型和训练模型；所述大数据库包括所述区域内所有经济体历代产生的初始经济数据；所述历代模型用于根据所述大数据库中的初始经济数据进行分析计算，以得到所述区域的历代区域宏观经济；所述预测模型用于对所述历代区域宏观经济进行分析计算，以预测所述区域的当代区域宏观经济；所述训练模型用于对所述预测模型进行训练。由于本发明中用于预测当代区域宏观经济的初始经济数据都是历代已经产生的，不存在滞后的问题；同时，由于将初始经济数据导入后，该模型能够自动计算，因此无需过多人力；此外，通过训练模型对预测模型训练，使得最终得到的当代区域宏观经济的分析结果更加贴合实际，对实际经济发展有着指导意义。如此，解决了现有区域宏观经济的分析发展滞后所导致的经济体发展速度较慢的问题。
附图说明
图1为本实施例提供的基于大数据的区域宏观经济预测模型的结构示意图；
图2为本实施例提供的基于大数据的区域宏观经济预测方法的流程图。
具体实施方式
以下结合附图和具体实施例对本发明提出的基于大数据的区域宏观经济预测模型及方法作进一步详细说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
需要说明的是，本发明的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
考虑到区域宏观经济的变化具有长期性和稳定性的特点，同时考虑到区域宏观经济的波动受该区域内各个经济体的变化影响，发明人提出可以根据利用历代区域宏观经济来推断预测当代区域宏观经济，从而能够超前预测该区域的经济发展状况，进而对经济发展进行干涉调节，保证该区域的经济快速、稳定和健康地发展。
本实施例提供一种基于大数据的区域宏观经济预测模型，用于对一区域内所有经济体提供的初始经济数据进行分析以预测所述区域的区域宏观经济，如图1所示，所述区域宏观经济预测模型包括大数据库、历代模型、预测模型和训练模型；所述大数据库包括所述区域内所有经济体历代产生的初始经济数据；所述历代模型用于根据所述大数据库中的初始经济数据进行分析计算，以得到所述区域的历代区域宏观经济；所述预测模型用于对所述历代区域宏观经济进行分析计算，以预测所述区域的当代区域宏观经济；所述训练模型用于对所述预测模型进行训练。
在本实施例提供的基于大数据的区域宏观经济预测模型中，由于本发明中用于预测当代区域宏观经济的初始经济数据都是历代已经产生的，不存在滞后的问题；同时，由于将初始经济数据导入后，该模型能够自动计算，因此无需过多人力；此外，通过训练模型对预测模型训练，使得最终得到的当代区域宏观经济的分析结果更加贴合实际，对实际经济发展有着指导意义。如此，解决了现有区域宏观经济的分析发展滞后所导致的经济体发展速度较慢的问题。
在本实施例中，所述初始经济数据包括居民收入水平、物价总水平、GDP、人均GDP、失业率和纳税总额。较佳的，初始经济数据为可以量化的数据，以便于进行运算，准确地获得区域宏观经济的分析结果。当然，在其他实施例中，除了本说明书中提到的初始经济数据外，还可以包含其他初始经济数据，初始经济数据的选择为本领域技术人员所熟知的，此处不再赘述。
在本实施例提供的基于大数据的区域宏观经济预测模型中，所述历代模型包括数据整理模块、数据计算模块和结果输出模块；所述数据整理模块用于将所述大数据库中的所有所述初始经济数据按照预设方式进行分类整理；所述数据计算模块用于将整理后的所述初始经济数据进行分析计算，以得到历代区域宏观经济；所述结果输出模块用于将分析计算得到的历代区域宏观经济输出。
以及，所述预测模型包括初步分析模块、模拟验证模块和报告生成模块；所述初步分析模块用于对所述历代区域宏观经济进行分析计算，以得到当代区域宏观经济的初步结果；所述模拟验证模块用于根据所有所述经济数据和历代区域宏观经济对所述初步结果进行模拟验证，以优化所述初步结果；所述报告生成模块用于生成当代区域宏观经济的预测结果报告。
通过将历代模型和预测模型分模块设计，使得模型中对数据的处理分散于各个模块中，降低了模型运算处理的复杂度，提高了模型的响应速度和分析效率。
本实施例还提供一种基于大数据的区域宏观经济预测方法，如图2所示，所述区域宏观经济预测方法包括：
S1，建立大数据库，所述大数据库包括一区域内所有经济体历代产生的初始经济数据；
S2，根据所有所述初始经济数据分析计算得到所述区域的历代区域宏观经济；
S3，根据所述历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济。
本实施例提供的基于大数据的区域宏观经济预测方法，由于用于预测当代区域宏观经济的初始经济数据都是历代已经产生的，不存在滞后的问题；同时，由于将初始经济数据导入后，该模型能够自动计算，因此无需过多人力。如此，解决了现有区域宏观经济的分析发展滞后所导致的经济体发展速度较慢的问题。
具体的，在本实施例中，根据所有所述初始经济数据分析计算得到所述区域的历代区域宏观经济的方法包括：
将所述大数据库中的所有所述初始经济数据按照预设方式进行分类整理；
将整理后的所述初始经济数据进行分析计算以得到历代区域宏观经济。
其中，所述预设方式包括：
按照经济数据的类别将同一类别的初始经济数据归为同一类；
将同一类中的初始经济数据按时间先后顺序进行排序，时间靠后的排在前面；
将同一类中时间一致的初始经济数据按照体量大小进行排序，体量大的排在前面。
本实施例将多种初始经济数据按照预设规律进行分类，便于模型调用和处理各类数据，同时，还能够防止数据间的串扰造成的数据乱码等不良，提高了模型运行的效率和稳定性。
当然，在其他实施例中，预设方式还可以有其他方式，本实施例仅以示例说明预设方式的设置。需要说明的是，在不违背本发明主旨前提下的其他预设方式也应当属于本发明的保护范围。
在本实施例中，将整理后的所述初始经济数据进行分析计算以得到历代区域宏观经济的方法包括：
将每一类中的初始经济数据按照预设时间间隔进行划分，并将同一时间间隔内的同一类的初始经济数据进行加权加总，以得到对应于相应类别、相应时间间隔的次级经济数据，其中时间越靠后的初始经济数据的权重越大；
对同一时间间隔内的各类次级经济数据进行运算，以得到该时间间隔对应的区域宏观经济；
重复上一步骤，以得到各时间间隔对应的区域宏观经济；
将各时间间隔对应的区域宏观经济按照时间先后顺序进行排序，以得到历代区域宏观经济，其中时间靠后的排在前面。
因此，历代区域宏观经济中包括多个时间间隔对应的区域宏观经济的计算结果。时间间隔可以是等间隔的，如一年、三年等；也可以是非等间隔或跨间隔的，如删除了部分异常数据时间的时间间隔，又如早期数据每隔三年进行划分、近期数据每隔一年进行划分等。此处不做限制。较佳的，时间间隔是等间隔的，以便于数据的分析处理以及加权运算。
在本实施例中，根据所述历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济的方法包括：
对所述历代区域宏观经济进行加权平均，以得到当代区域宏观经济的初步结果，其中时间越靠后的初始经济数据的权重越大；
根据所有所述经济数据和历代区域宏观经济对所述初始当代区域宏观经济的初步结果进行模拟验证，以优化所述初步结果；
将优化后的所述初步结果作为当代区域宏观经济，并形成预测结果报告。
权重的分配可以依据实际情况进行调整。考虑到经济发展的连续性和持续影响的效果，越靠近当前时期的权重越大，以使预测结果更加准确。
此外，在本实施例中，所述区域宏观经济预测方法还包括：
构建训练模型；
所述训练模型调用所述大数据库中的初始经济数据，并对所述初始经济数据进行加权迭代，计算得到伪历代区域宏观经济，其中时间越靠后的初始经济数据的权重越大；
利用所述伪历代区域宏观经济对所述历代区域宏观经济进行修正，以得到修正后的历代区域宏观经济；
根据修正后的历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济。
通过训练模型对预测模型训练，使得最终得到的当代区域宏观经济的分析结果更加贴合实际，对实际经济发展有着指导意义。
具体的，在本实施例中，利用所述伪历代区域宏观经济对所述历代区域宏观经济进行修正，其中
修正系数的计算公式为：
当代区域宏观经济的计算公式为：
其中，Q1为伪历代区域宏观经济；Q0为历代区域宏观经济；n表示历代区域宏观经济中按照时间间隔划分所对应的区域宏观经济的总个数；f(t)为按照时间顺序对历代区域宏观经济的加权比重。
以下，以一具体实施例说明本发明提供的基于大数据的区域宏观经济预测模型及方法的实现过程。
首先，构建基于大数据的区域宏观经济预测模型。其中包括构建大数据库、历代模型和预测模型。
具体的，大数据库应当包括有该区域内所有经济体历代产生的初始经济数据。经济体包括企业、单位、个人等。可以按照经济体的性质不同对其设定不同的初始经济数据，例如，企业和单位包括纳税总额、营业额、净利润等；个人包括居民收入水平、人均GDP、失业率等。历代模型包括数据整理模块、数据计算模块和结果输出模块。预测模型包括初步分析模块、模拟验证模块和报告生成模块。
较佳的，在本实施例中，还需要构建训练模型。通过训练模型对预测模型进行训练，能够使得预测结果更加准确。
之后，确认大数据库中的各类数据真实有效。确认方法为本领域技术人员所熟知的。较佳的，在构建模型之后，可以定期更新大数据库中的初始经济数据，并在更新之前确认数据的有效性。
然后，利用历代模型根据所有所述初始经济数据分析计算得到所述区域的历代区域宏观经济。具体的，先将所述大数据库中的所有所述初始经济数据按照预设方式进行分类整理，然后将整理后的所述初始经济数据进行分析计算以得到历代区域宏观经济。在本实施例中，分析计算采用加权的处理方法，使得越靠近当前的数据权重越大，进而保证数据的稳定性，符合宏观经济发展的规律。
接着，利用预测模型根据所述历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济。具体的，在本实施例中，依旧采取加权的方法，先得到当代区域宏观经济的初步结果；然后对初步结构进行模拟验证，并优化初步结果，以得到当代区域宏观经济的预测结果。较佳的，可以同时形成预测结果报告，报告包括但不限于区域宏观经济的整体发展态势、各单元(企业、个人)发展情况以及各类经济数据的计算结果和反应内容。更佳的，还可以通过报告中的数据给出发展建议。
为了保证预测结果的准确性，在本实施例中，还通过构建的训练模型对预测模型进行训练，保证预测模型运行的准确性。具体的，训练模型调用大数据库中的初始经济数据，并对初始经济数据进行加权迭代，计算得到伪历代区域宏观经济，其中时间越靠后的初始经济数据的权重越大；然后利用伪历代区域宏观经济对历代区域宏观经济进行修正，以得到修正后的历代区域宏观经济；最后根据修正后的历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济。在本实施例中，加权迭代的具体方法可以为加权迭代最小二乘法。
在本实施例中给出一种修正计算方法，其中修正系数的计算公式为：
当代区域宏观经济的计算公式为：
其中，Q1为伪历代区域宏观经济；Q0为历代区域宏观经济；n表示历代区域宏观经济中按照时间间隔划分所对应的区域宏观经济的总个数；f(t)为按照时间顺序对历代区域宏观经济的加权比重。
当然，除了本实施例给出的修正方法外，在其他实施例中还可以有其他修正方法。修正方法的实现可以通过对历年经济数据进行反复测试和对比以拟合出对应的修正公式，具体实现过程此处不再赘述。
例如，A区域中，目前(当代)包括企业137家，居民(常住人口)12万。且大数据库中包括了2008年至2019年一年度算的各企业经济数据、企业数量、居民人均收入、居民数量等初始经济数据。
通过历代模型计算得到了2008年至2019年每一年对应的历代区域宏观经济。同时，训练模型得到了2008年至2019年每一年对应的伪历代区域宏观经济。将这些数据代入修正系数的计算公式中，得到修正系数λ例如为1.04。然后将其再代入当代区域宏观经济的计算公式中，得到当代区域宏观经济的计算结果。
需要说明的是，这种方式针对于量化的经济数据有效。因此，经济数据可以为具体的数值或定基增长率等。
最后，通过将当代区域宏观经济的结果与历代区域宏观经济进行对比分析，便可以得到该区域的经济发展态势，能够预先通过该结果对区域的经济发展做出调控举措，以使区域经济发展快速、健康、稳定。
综上所述，本实施例提供的基于大数据的区域宏观经济预测模型及方法，其中所述区域宏观经济预测模型包括大数据库、历代模型、预测模型和训练模型；所述大数据库包括所述区域内所有经济体历代产生的初始经济数据；所述历代模型用于根据所述大数据库中的初始经济数据进行分析计算，以得到所述区域的历代区域宏观经济；所述预测模型用于对所述历代区域宏观经济进行分析计算，以预测所述区域的当代区域宏观经济；所述训练模型用于对所述预测模型进行训练。由于本发明中用于预测当代区域宏观经济的初始经济数据都是历代已经产生的，不存在滞后的问题；同时，由于将初始经济数据导入后，该模型能够自动计算，因此无需过多人力；此外，通过训练模型对预测模型训练，使得最终得到的当代区域宏观经济的分析结果更加贴合实际，对实际经济发展有着指导意义。如此，解决了现有区域宏观经济的分析发展滞后所导致的经济体发展速度较慢的问题。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (11)
1.一种基于大数据的区域宏观经济预测模型，用于对一区域内所有经济体提供的初始经济数据进行分析以预测所述区域的区域宏观经济，其特征在于，所述区域宏观经济预测模型包括大数据库、历代模型、预测模型和训练模型；所述大数据库包括所述区域内所有经济体历代产生的初始经济数据；所述历代模型用于根据所述大数据库中的初始经济数据进行分析计算，以得到所述区域的历代区域宏观经济；所述预测模型用于对所述历代区域宏观经济进行分析计算，以预测所述区域的当代区域宏观经济；所述训练模型用于对所述预测模型进行训练。
2.根据权利要求1所述的基于大数据的区域宏观经济预测模型，其特征在于，所述初始经济数据包括居民收入水平、物价总水平、GDP、人均GDP、失业率和纳税总额。
3.根据权利要求1所述的基于大数据的区域宏观经济预测模型，其特征在于，所述历代模型包括数据整理模块、数据计算模块和结果输出模块；所述数据整理模块用于将所述大数据库中的所有所述初始经济数据按照预设方式进行分类整理；所述数据计算模块用于将整理后的所述初始经济数据进行分析计算，以得到历代区域宏观经济；所述结果输出模块用于将分析计算得到的历代区域宏观经济输出。
4.根据权利要求1所述的基于大数据的区域宏观经济预测模型，其特征在于，所述预测模型包括初步分析模块、模拟验证模块和报告生成模块；所述初步分析模块用于对所述历代区域宏观经济进行分析计算，以得到当代区域宏观经济的初步结果；所述模拟验证模块用于根据所有所述经济数据和历代区域宏观经济对所述初步结果进行模拟验证，以优化所述初步结果；所述报告生成模块用于生成当代区域宏观经济的预测结果报告。
5.一种基于大数据的区域宏观经济预测方法，其特征在于，所述区域宏观经济预测方法包括：
建立大数据库，所述大数据库包括一区域内所有经济体历代产生的初始经济数据；
根据所有所述初始经济数据分析计算得到所述区域的历代区域宏观经济；
根据所述历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济。
6.根据权利要求5所述的基于大数据的区域宏观经济预测方法，其特征在于，根据所有所述初始经济数据分析计算得到所述区域的历代区域宏观经济的方法包括：
将所述大数据库中的所有所述初始经济数据按照预设方式进行分类整理；
将整理后的所述初始经济数据进行分析计算以得到历代区域宏观经济。
7.根据权利要求6所述的基于大数据的区域宏观经济预测方法，其特征在于，所述预设方式包括：
按照经济数据的类别将同一类别的初始经济数据归为同一类；
将同一类中的初始经济数据按时间先后顺序进行排序，时间靠后的排在前面；
将同一类中时间一致的初始经济数据按照体量大小进行排序，体量大的排在前面。
8.根据权利要求7所述的基于大数据的区域宏观经济预测方法，其特征在于，将整理后的所述初始经济数据进行分析计算以得到历代区域宏观经济的方法包括：
将每一类中的初始经济数据按照预设时间间隔进行划分，并将同一时间间隔内的同一类的初始经济数据进行加权加总，以得到对应于相应类别、相应时间间隔的次级经济数据，其中时间越靠后的初始经济数据的权重越大；
对同一时间间隔内的各类次级经济数据进行运算，以得到该时间间隔对应的区域宏观经济；
重复上一步骤，以得到各时间间隔对应的区域宏观经济；
将各时间间隔对应的区域宏观经济按照时间先后顺序进行排序，以得到历代区域宏观经济，其中时间靠后的排在前面。
9.根据权利要求5所述的基于大数据的区域宏观经济预测方法，其特征在于，根据所述历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济的方法包括：
对所述历代区域宏观经济进行加权平均，以得到当代区域宏观经济的初步结果，其中时间越靠后的初始经济数据的权重越大；
根据所有所述经济数据和历代区域宏观经济对所述初始当代区域宏观经济的初步结果进行模拟验证，以优化所述初步结果；
将优化后的所述初步结果作为当代区域宏观经济，并形成预测结果报告。
10.根据权利要求5所述的基于大数据的区域宏观经济预测方法，其特征在于，所述区域宏观经济预测方法还包括：
构建训练模型；
所述训练模型调用所述大数据库中的初始经济数据，并对所述初始经济数据进行加权迭代，计算得到伪历代区域宏观经济，其中时间越靠后的初始经济数据的权重越大；
利用所述伪历代区域宏观经济对所述历代区域宏观经济进行修正，以得到修正后的历代区域宏观经济；
根据修正后的历代区域宏观经济分析计算，预测所述区域的当代区域宏观经济。
11.根据权利要求10所述的基于大数据的区域宏观经济预测方法，其特征在于，利用所述伪历代区域宏观经济对所述历代区域宏观经济进行修正，其中
修正系数的计算公式为：
当代区域宏观经济的计算公式为：
其中，Q1为伪历代区域宏观经济；Q0为历代区域宏观经济；n表示历代区域宏观经济中按照时间间隔划分所对应的区域宏观经济的总个数；f(t)为按照时间顺序对历代区域宏观经济的加权比重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011608250.5A CN112668784A (zh) | 2020-12-30 | 2020-12-30 | 基于大数据的区域宏观经济预测模型及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011608250.5A CN112668784A (zh) | 2020-12-30 | 2020-12-30 | 基于大数据的区域宏观经济预测模型及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668784A true CN112668784A (zh) | 2021-04-16 |
Family
ID=75410919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011608250.5A Pending CN112668784A (zh) | 2020-12-30 | 2020-12-30 | 基于大数据的区域宏观经济预测模型及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668784A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843071A (zh) * | 2023-07-04 | 2023-10-03 | 交通运输部水运科学研究所 | 一种用于智慧港口的运输网络运行指数预测方法及装置 |
-
2020
- 2020-12-30 CN CN202011608250.5A patent/CN112668784A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843071A (zh) * | 2023-07-04 | 2023-10-03 | 交通运输部水运科学研究所 | 一种用于智慧港口的运输网络运行指数预测方法及装置 |
| CN116843071B (zh) * | 2023-07-04 | 2024-03-22 | 交通运输部水运科学研究所 | 一种用于智慧港口的运输网络运行指数预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
| CN106991506A (zh) | 智能终端及其基于lstm的股票趋势预测方法 | |
| Sanhueza et al. | DEA efficiency for the determination of the electric power distribution added value | |
| CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
| CN107169628A (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
| CN109063892A (zh) | 基于bp-lssvm组合优选模型的工业电量预测方法 | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| CN112712203A (zh) | 一种配电网日最高负荷预测方法和系统 | |
| CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
| CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
| CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
| CN111882363A (zh) | 销量预测方法、系统及终端 | |
| CN114595873A (zh) | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 | |
| CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
| CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
| CN111178605A (zh) | 一种基于特征选择的配网工程项目工期预测方法 | |
| CN113793057A (zh) | 一种基于回归分析模型的建筑招投标数据生成方法 | |
| CN112668784A (zh) | 基于大数据的区域宏观经济预测模型及方法 | |
| CN117760063A (zh) | 一种基于空气焓值的地铁空调负荷预测方法 | |
| CN116644562B (zh) | 一种新能源电站运维费用评估系统 | |
| KR101269874B1 (ko) | 데이터베이스 분석을 통한 낙찰 금액 산출 시스템 및 그 산출 방법 | |
| CN116976686A (zh) | 一种灾害间接经济影响评估方法、装置及计算设备 | |
| CN113743994A (zh) | 一种供应商的旺季预测方法、系统、设备及存储介质 | |
| CN113723842A (zh) | 一种研发经费投入规模及强度预测方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210527 Address after: 310018 no.1158, No.2 street, Baiyang street, Hangzhou Economic and Technological Development Zone, Zhejiang Province Applicant after: HANGZHOU DIANZI University Address before: 310018 Hangzhou University of Electronic Science and technology, Jianggan District, Hangzhou City, Zhejiang Province Applicant before: Pan Junyu |
|
| TA01 | Transfer of patent application right |