CN114021790A - 城市经济预测方法、装置、电子设备及相关产品 - Google Patents
城市经济预测方法、装置、电子设备及相关产品 Download PDFInfo
- Publication number
- CN114021790A CN114021790A CN202111244406.0A CN202111244406A CN114021790A CN 114021790 A CN114021790 A CN 114021790A CN 202111244406 A CN202111244406 A CN 202111244406A CN 114021790 A CN114021790 A CN 114021790A
- Authority
- CN
- China
- Prior art keywords
- economic
- city
- target
- historical
- predicted
- 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
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种城市经济预测方法、装置、电子设备及相关产品。该方法包括:对预先确定出的多个目标经济指标进行关键词提取,得到与每个目标经济指标对应的多个关键词;基于每个目标经济指标对应的多个关键词和多个目标经济指标构建异构图;基于异构图,构建与多个目标经济指标对应的同构图;将多个历史时刻下待预测城市在多个目标经济指标下的历史数据、待预测城市在多个历史时刻下的历史经济总值,以及同构图作为输入数据进行模型训练,得到经济预测模型;将待预测城市在多个目标经济指标下的当前数据以及同构图,输入到经济预测模型,预测待预测城市在当前时刻的经济总值。本申请实施例有利于提高预测精度。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种城市经济预测方法、装置、电子设备及相关产品。
背景技术
城市经济对于一个城市的发展至关重要,因为社会各界人士都密切关注着一个城市的经济情况。有些学者提出如果能预测出一个城市经济的发展,则可以基于经济情况提前作出经济规划,更有利于人民经济水平的提高。基于此,国内外已有不少学者通过对经济周期监测预警理论的探讨构建出不同的模型对经济运行进行预测,主要包括景气指数法、ARMA模型、ARCH模型、VAR模型、概率模式识别模型、人工神经网络和STV横截面回归模型。通过上述各种模型,以及当前时刻的发展数据预测出一个城市当前的经济运行状况,比如,经济总值。
上述在预测经济状况时,都是将各个经济指标作为一个独立的影响因素,去预测其对经济状况的影响,最后将所有经济指标的影响结果进行叠加,预测出当前时刻的经济状况。
然而,实际运行中各个经济指标之间也是相互有影响的,因此现有的经济预测方式单一,精度比较低。
发明内容
本申请实施例提供了一种一种城市经济预测方法、装置、电子设备及相关产品,考虑各个经济指标之间的相互影响,提高对城市经济预测的精度。
第一方面,本申请实施例提供
第二方面,本申请实施例提供
第三方面,本申请实施例提供一种电子设备,包括:处理器,所述处理器与存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述电子设备执行如第一方面所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序使得计算机执行如第一方面所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机可操作来使计算机执行如第一方面所述的方法。
实施本申请实施例,具有如下有益效果:
可以看出,由于本申请中是通过异构图构造出的同构图,从而使各个目标经济指标所对应的节点之间不再孤立,将有相关的节点之间构建出边,这样语义聚合之后就可以将与某个目标经济指标有关的数据全部聚合到该目标经济指标下,从而在基于每个目标经济指标的语义聚合信息进行经济总值预测时,考虑到各个目标经济指标之间的相互影响,提高经济总值的预测精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术用户来讲,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1a为本申请实施例提供的一种城市经济预测系统的结构示意图;
图1b为本申请实施例提供的一种城市经济预测方法的流程示意图;
图2为本申请实施例提供的一种输入到图神经网络的示意图;
图3为本申请实施例提供的另一种城市经济预测方法的流程示意图;
图4为本申请实施例提供的一种城市经济预测装置的功能单元组成框图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术用户在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术用户显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参阅图1a,图1a为本申请实施例提供的一种城市经济预测系统的结构示意图。城市经济预测系统包括城市经济预测装置101、第一目标设备102和第二目标设备103;
城市经济预测装置101上设置有可视化用户界面;用户可以在用户界面上设置多个目标经济指标;然后,城市经济预测装置101对多个目标经济指标进行关键词提取,得到与每个目标经济指标对应的多个关键词;基于每个目标经济指标对应的多个关键词和多个目标经济指标构建异构图;基于该异构图,构建与多个经济指标对应的同构图,其中,同构图中的节点为多个目标经济指标;
然后,城市经济预测装置101从第一目标设备102获取多个历史时刻下待预测城市在多个目标经济指标下的历史数据,以及待预测城市在多个历史时刻下的历史经济总值。示例性的,第一目标设备102可以为待预测城市的财务平台,比如,税务局的服务平台,等等。然后,将多个历史时刻下待预测城市在多个目标经济指标下的历史数据、待预测城市在多个历史时刻下的历史经济总值,以及同构图作为输入数据进行模型训练,得到经济预测模型;最后,将待预测城市在多个目标经济指标下的当前数据(即当前时刻的数据)以及同构图,输入到经济预测模型,预测待预测城市在当前时刻的经济总值。
进一步的,城市经济预测装置101将预测出的待预测城市在当前时刻的经济总值发送给第二目标设备103,以便在第二目标设备103的可视化界面上展示待预测城市在当前时刻的经济总值,其中,第二目标设备103可以为政府机构的设备,比如,经济规划局的设备,以便政府人员根据待预测城市在当前时刻的经济总值制定相应的经济管理措施。
参阅图1b,图1b为本申请实施例提供的一种城市经济预测方法的流程示意图。该方法应用于城市经济预测装置。该方法包括以下步骤内容:
101:城市经济预测装置对预先确定出的多个目标经济指标进行关键词提取,得到与每个所述目标经济指标对应的多个关键词。
示例性的,该多个目标经济指标包括但不限于:工业增加值、固定资产投资、社会消费品零售总额、地方公共财政预算收入、常住居民人均可支配收入、去年的人均年收入、第三产业增加值。
示例性的,对每个目标经济指标进行关键词提取,得到每个目标经济指标对应的多个关键词,比如,对目标经济指标“地方公共财政预算收入”进行关键词提取,得到关键词:“公共财政”、“预算”和“收入”。
102:城市经济预测装置基于每个所述目标经济指标对应的多个关键词和所述多个目标经济指标构建异构图。
示例性的,将每个目标经济指标对应的多个关键词均作为异构图中的节点,以及将多个目标经济指标也均作为异构图中的节点;然后,根据各个节点之间的关联关系,为节点构建边,得到异构图。其中,各个节点之间的关联关系,可以基于各个节点之间是否有包含关系确定。比如,“地方公共财政预算收入”和“常住居民人均可支配收入”均包含有管检测“收入”,则这两个目标经济指标都与关键词“收入”存在关联关系,则可以为这两个目标经济指标所在的节点,与关键词“收入”所在的节点之间构建边。
103:城市经济预测装置基于所述异构图,构建与所述多个目标经济指标对应的同构图,其中,所述同构图中的节点为所述多个目标经济指标。
示例性的,基于该异构图,获取该异构图中与每个目标经济指标具有连接关系的其他目标经济指标,其中,该连接关系包括间接连接关系和直接连接关系,直接连接关系是指两个目标经济指标所在的节点直接相连,间接连接关系是指两个目标经济指标通过其他节点连接,比如,“地方公共财政预算收入”和“常住居民人均可支配收入”这两个节点都与节点“收入”连接,说明这两个节点之间具有间接连接关系。
进一步的,基于该异构图中与每个目标经济指标具有连接关系的其他目标经济指标构建同构图,即为具有连接关系的目标经济指标构建边,从而形成该同构图,因此同构图中的节点只包含目标经济指标。
104:城市经济预测装置分别获取多个历史时刻下待预测城市在所述多个目标经济指标下的历史数据,以及所述待预测城市在所述多个历史时刻下的历史经济总值。
示例性的,城市经济预测装置可通过爬虫技术从第三方平台(比如,财务局的服务器)获取在每个历史时刻下待预测城市在多个目标经济指标下的历史数据,以及在多个历史时刻下的历史经济总值。
105:城市经济预测装置将所述多个历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据、所述待预测城市在所述多个历史时刻下的历史经济总值,以及所述同构图作为输入数据进行模型训练,得到经济预测模型。
示例性的,可以将每个历史时刻下,待预测城市在多个目标经济指标下的历史数据、以及在该历史时刻下的经济总值构造为一个训练样本;则多个历史时刻可以构造出多个训练样本,其中,每个训练样本中的历史经济总值为该训练样本的监督信息。
下面以第一历史时刻下的训练样本为例说明进行模型训练的过程。
示例性的,分别对第一历史时刻下待预测城市在多个目标经济指标下的历史数据进行向量化,即分别对第一历史时刻下待预测城市在多个目标经济指标下的历史数据进行编码和映射,将每个目标经济指标下的历史数据向量化成第一特征向量,得到与多个目标经济指标对应的多个第一特征向量;其中,该第一历史时刻为多个历史时刻中的任意一个;
然后,如图2所示,将多个第一特征向量作为同构图中相应节点的输入数据输入到图神经网络中,得到第一时刻下的预测经济总值,即将每个目标经济指标的第一特征向量作为该同构图中与该目标经济指标所对应的节点的输入数据。具体的,将每个目标经济指标的第一特征向量输入到图神经网络之后,通过图神经网络对每个节点的输入数据进行语义聚合,生成每个节点的语义聚合信息;最后,基于每个节点的语义聚合信息预测第一历史时刻的经济总值,例如,将每个节点的语义聚合信息进行拼接,得到特征矩阵,将特征矩阵输入到多层感知器中,预测第一历史时刻的经济总值。
可以看出,由于本申请中是通过异构图构造出的同构图,从而使各个目标经济指标所对应的节点之间不再孤立,将有相关的节点之间构建出边,这样语义聚合之后就可以将与某个目标经济指标有关的数据全部聚合到该目标经济指标下,从而在基于每个目标经济指标的语义聚合信息进行经济总值预测时,考虑到各个目标经济指标之间的相互影响,提高经济总值的预测精度。
进一步的,根据所述第一历史时刻下的预测经济总值以及所述第一历史时刻下的历史经济总值,得到与所述第一历史时刻对应的损失;最后,根据多个历史时刻对应的多个损失,对所述图神经网络进行训练,得到所述经济预测模型,即基于每个历史时刻对应的损失,以及梯度下降法对图神经网络进行训练,直至图神经网络收敛时,得到经济预测模型。
在本申请的一个实施方式中,在将多个第一特征向量分别作为同构图中对应节点的输入数据输入到图神经网络之前,还可以确定与待预测城市相关的至少一个目标城市,其中,至少一个目标城市中任意一个目标城市与待预测城市之间的相似度大于阈值,其中,目标城市与待预测城市之间的相似度大于阈值,说明这两个城市的经济水平接近,且经济发展趋势相似;然后,获取在多个历史时刻下,每个目标城市在多个目标经济指标下的历史数据;同样,对第一历史时刻下每个目标城市在多个目标经济指标下的历史数据进行向量化,得到每个目标城市在多个经济指标下的多个第二特征向量;进一步的,对至少一个目标城市与待预测城市之间的相似度进行归一化处理,得到待预测城市与每个目标城市之间的权重;然后,根据待预测城市与每个目标城市之间的权重,将待预测城市在每个经济指标下的第一特征向量,和该至少一个目标城市在该目标经济指标下的第二特征向量进行融合,得到每个目标经济指标对应的第三特征向。应说明,在融合的过程中,设置待预测城市的第一特征向量对应的权重为1,以确保融合后的特征向量中包含有更多的待预测城市的本身特征,其他目标城市的权重则按上述计算出的权重对目标城市的第二特征向量进行加权;最后,将所述多个目标经济指标对应的多个第三特征向量分别作为所述同构图中对应节点的输入数据输入到所述图神经网络,得到所述第一历史时刻下的预测经济总值,其中,所述多个目标经济指标与所述多个第三特征向量一一对应。
相适应的,在融合目标城市的数据时,对于监督信息来说,可以对每个目标城市在第一历史时刻下的历史经济总值进行编码,以及对待预测城市在第一历史时刻下的历史经济总值进行编码;然后,通过上述的权重,对编码后的每个目标城市在第一历史时刻下的历史经济总值,以及编码后的待预测城市在第一历史时刻下的历史经济总值进行加权,得到第一历史时刻的监督信息;
最后,通过图神经网络预测出的第一历史时刻下的预测经济总值与该第一时刻下的监督信息,确定第一历史时刻对应的损失。
可以看出,在本申请实施例中,在进行经济总值预测时,还融合有与待预测城市相似的目标城市在各个目标经济指标下的历史数据,这样预测时可以参考相似的目标城市的数据进行预测,为待预测城市的预测提供指引,从而提高预测精度。
106:城市经济预测装置将所述待预测城市在所述多个目标经济指标下的当前数据以及所述同构图,输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值。
示例性的,将待预测城市在多个目标经济指标下的当前数据进行向量化,得到多个目标经济指标下的多个第四特征向量;然后,将每个目标经济指标下的第四特征向量作为同构图中对应节点的输入数据输入到经济预测模型中,预测出待预测城市在当前时刻的经济总值。其中,预测出当前时刻的经济总值与上述预测出第一历史时刻的经济总值的方式类似,不再叙述。
可以看出,由于本申请中是通过异构图构造出的同构图,从而使各个目标经济指标所对应的节点之间不再孤立,将有相关的节点之间构建出边,这样语义聚合之后就可以将与某个目标经济指标有关的数据全部聚合到该目标经济指标下,从而在基于每个目标经济指标的语义聚合信息进行经济总值预测时,考虑到各个目标经济指标之间的相互影响,提高经济总值的预测精度。
在本申请的一个实施方式中,获取每个所述目标城市在所述多个目标经济指标下的当前数据;然后,对所述待预测城市在所述多个目标经济指标下的当前数据进行编码,得到所述待预测城市在所述多个目标经济指标下的多个第四特征向量,其中,所述多个目标经济指标与所述多个第四特征向量一一对应;以及,对每个所述目标城市在所述多个目标经济指标下的当前数据进行编码,得到每个目标城市在所述多个目标经济指标下的多个第五特征向量,其中,所述多个目标经济指标与所述多个第五特征向量一一对应;同样的,根据上述每个目标城市与待预测城市之间的权重,将所述待预测城市在每个目标经济指标下的第四特征向量与所述至少一个目标城市在每个目标经济指标下的第五特征向量进行融合,得到每个目标经济指标下的目标特征向量;最后,将每个目标经济指标下的目标特征向量分别作为同构图中对应的节点的输入数据输入到经济预测模型,预测出待预测城市在当前时刻的经济总值。其中,预测出当前时刻的经济总值与上述预测出第一历史时刻的经济总值的方式类似,不再叙述。
可以看出,在本实施方式中,在预测待预测城市的经济总值时,还将目标城市在多个目标经济指标下的数据融合进来,由于目标城市的相似度与待预测城市之间的相似度大于阈值,则说明目标城市的经济发展趋势和待预测城市的发展趋势类似,因此使用目标城市的数据为待预测城市的经济总值进行预测,可以进一步提高预测精度。
参阅图3,图3为本申请实施例提供的另一种城市经济预测方法的流程示意图。该方法应用于城市经济预测装置。该实施例中与图1所示的实施例相同的内容,此处不再重复描述。本实施例的方法包括以下步骤:
301:城市经济预测装置从用户数据库中获取多个用户的用户画像。
示例性的,该用户数据库可以为城市经济预测装置维护的数据库,也可以是其他设备所维护的数据库,而城市经济预测装置具有访问权限。其中,该数据库中存储有各个用户的用户画像。
302:城市经济预测装置根据所述多个用户的用户画像从所述多个用户中选出多个候选用户,其中,所述多个候选用户中任意一个候选用户的用户画像中包含有与经济相关的特征。
示例性的,基于每个用户的用户画像中获取与经济相关的特征,比如,从每个用户的工作特征获取与经济相关的特征,比如,将工作为金融工作人员,或者,财务工作人员,作为候选用户、
303:城市经济预测装置向每个候选用户发送电子问卷,其中,所述电子问卷用于提示用户从多个候选经济指标中选取与经济发展相关的候选经济指标。
304:城市经济预测装置根据每个候选用户的电子问卷调查结果,统计每个候选经济指标被选中的频率,按照被选中频率从大到小的顺序对所述多个候选经济指标进行排序,并根据排序结果从所述多个候选经济指标中选取出多个目标经济指标。
示例性的,可以按照各个候选经济指标被选中频率从大到小的顺序,从多个候选经济指标中选取预设数量的候选经济指标,得到该多个目标经济指标。
305:城市经济预测装置对多个目标经济指标进行关键词提取,得到与每个所述目标经济指标对应的多个关键词。
306:城市经济预测装置基于每个所述目标经济指标对应的多个关键词和所述多个目标经济指标构建异构图。
307:城市经济预测装置基于所述异构图,构建与所述多个目标经济指标对应的同构图,其中,所述同构图中的节点为所述多个目标经济指标。
308:城市经济预测装置分别获取多个历史时刻下待预测城市在所述多个目标经济指标下的历史数据,以及所述待预测城市在所述多个历史时刻下的历史经济总值。
309:城市经济预测装置将所述多个历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据、所述待预测城市在所述多个历史时刻下的历史经济总值,以及所述同构图作为输入数据进行模型训练,得到经济预测模型。
310:城市经济预测装置将所述待预测城市在所述多个目标经济指标下的当前数据以及所述同构图,输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值。
可以看出,首先基于问卷调查的方式,通过候选用户确定出与经济发展相关的多个目标经济指标,从而使筛选出的目标经济指标比较准确,进而可以提高后续经济预测的精度。此外由于本申请中是通过异构图构造出的同构图,从而使各个目标经济指标所对应的节点之间不再孤立,将有相关的节点之间构建出边,这样语义聚合之后就可以将与某个目标经济指标有关的数据全部聚合到该目标经济指标下,从而在基于每个目标经济指标的语义聚合信息进行经济总值预测时,考虑到各个目标经济指标之间的相互影响,进一步提高经济总值的预测精度。
参阅图4,图4本申请实施例提供的一种城市经济预测装置的功能单元组成框图。城市经济预测装置400包括:获取单元401和处理单元402;
处理单元402,用于对预先确定出的多个目标经济指标进行关键词提取,得到与每个所述目标经济指标对应的多个关键词;
基于每个所述目标经济指标对应的多个关键词和所述多个目标经济指标构建异构图;
基于所述异构图,构建与所述多个目标经济指标对应的同构图,其中,所述同构图中的节点为所述多个目标经济指标;
获取单元401,用于分别获取多个历史时刻下待预测城市在所述多个目标经济指标下的历史数据,以及所述待预测城市在所述多个历史时刻下的历史经济总值;
处理单元402,还用于将所述多个历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据、所述待预测城市在所述多个历史时刻下的历史经济总值,以及所述同构图作为输入数据进行模型训练,得到经济预测模型;
将所述待预测城市在所述多个目标经济指标下的当前数据以及所述同构图,输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值。
在本申请的一个实施方式中,在将所述多个历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据、所述待预测城市在所述多个历史时刻下的历史经济总值,以及所述同构图作为输入数据进行模型训练,得到经济预测模型方面,处理单元402,具体用于:
分别对第一历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据进行向量化,得到所述待预测城市在所述多个目标经济指标下的多个第一特征向量,其中,所述第一历史时刻为所述多个历史时刻中的任意一个,所述多个目标经济指标与所述多个第一特征向量一一对应;
将所述多个第一特征向量分别作为所述同构图中对应节点的输入数据输入到图神经网络,得到所述第一历史时刻下的预测经济总值;
根据所述第一历史时刻下的预测经济总值以及所述第一历史时刻下的历史经济总值,得到与所述第一历史时刻对应的损失;
根据所述多个历史时刻对应的多个损失,对所述图神经网络进行训练,得到所述经济预测模型。
在本申请的一个实施方式中,处理单元402将所述多个第一特征向量分别作为所述同构图中对应节点的输入数据输入到图神经网络,得到所述第一历史时刻下的预测经济总值之前,处理单元402,还用于确定与所述待预测城市相关的至少一个目标城市,其中,所述至少一个目标城市中的任意一个目标城市与所述待预测城市之间的相似度大于阈值;
获取单元401,还用于获取在所述多个历史时刻下每个所述目标城市在所述多个目标经济指标下的历史数据;
处理单元402,还用于对所述第一历史时刻下每个所述目标城市在所述多个目标经济指标下的历史数据进行向量化,得到每个所述目标城市在所述多个目标经济指标下的多个第二特征向量,其中,所述多个目标经济指标与所述多个第二特征向量一一对应;
对所述至少一个目标城市与所述待预测城市之间的相似度进行归一化,得到所述待预测城市与每个所述目标城市之间的权重;
根据所述待预测城市与每所述个目标城市之间的权重,将所述待预测城市在每个目标经济指标下的第一特征向量和所述至少一个目标城市在每个目标经济指标下的第二特征向量进行融合,得到每个目标经济指标对应的第三特征向量;
在将所述多个第一特征向量分别作为所述同构图中对应节点的输入数据输入到图神经网络,得到所述第一历史时刻下的预测经济总值方面,处理单元402,具体用于:
将所述多个目标经济指标对应的多个第三特征向量分别作为所述同构图中对应节点的输入数据输入到所述图神经网络,得到所述第一历史时刻下的预测经济总值,其中,所述多个目标经济指标与所述多个第三特征向量一一对应。
在本申请的一个实施方式中,在确定与所述待预测城市相关的至少一个目标城市方面,处理单元402,具体用于:
获取所述待预测城市在所述多个历史时刻下的多个锡尔指数;
获取多个候选城市中每个候选城市在所述多个历史时刻下的多个锡尔指数;
获取每个历史时刻下所述待预测城市的锡尔指数与每个候选城市的锡尔指数之间的差值的绝对值;
获取所述多个历史时刻下所述待预测城市的锡尔指数与每个候选城市的锡尔指数之间的差值的绝对值的平均值;
将每个候选城市对应的平均值作为每个候选城市与所述待预测城市之间的相似度;
将所述多个候选城市中相似度大于所述阈值的候选城市作为所述至少一个目标城市。
在本申请的一个实施方式中,在将所述待预测城市在所述多个目标经济指标下的当前数据输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值方面,处理单元402,具体用于:
获取每个所述目标城市在所述多个目标经济指标下的当前数据;
对所述待预测城市在所述多个目标经济指标下的当前数据进行编码,得到所述待预测城市在所述多个目标经济指标下的多个第四特征向量,其中,所述多个目标经济指标与所述多个第四特征向量一一对应;
对每个所述目标城市在所述多个目标经济指标下的当前数据进行编码,得到每个目标城市在所述多个目标经济指标下的多个第五特征向量,其中,所述多个目标经济指标与所述多个第五特征向量一一对应;
根据所述待预测城市与每个所述目标城市之间的权重,将所述待预测城市在每个目标经济指标下的第四特征向量与所述至少一个目标城市在每个目标经济指标下的第五特征向量进行融合,得到每个目标经济指标下的目标特征向量;
将每个目标经济指标下的目标特征向量分别作为所述同构图中对应节点的输入数据输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值。
在本申请的一个实施方式中,处理单元402对预先确定出的多个目标经济指标进行关键词提取,得到与每个所述目标经济指标对应的多个关键词之前,获取单元401,还用于从用户数据库中获取多个用户的用户画像;
处理单元402,还用于根据所述多个用户的用户画像从所述多个用户中选出多个候选用户,其中,所述多个候选用户中任意一个候选用户的用户画像中包含有与经济相关的特征;
向每个候选用户发送电子问卷,其中,所述电子问卷用于提示用户从多个候选经济指标中选取与经济发展相关的候选经济指标;
根据每个候选用户的电子问卷调查结果,统计每个候选经济指标被选中的频率;
按照被选中频率从大到小的顺序对所述多个候选经济指标进行排序,并根据排序结果从所述多个候选经济指标中选取出所述多个目标经济指标。
参阅图5,图5为本申请实施例提供的一种电子设备的结构示意图。如图5所示,电子设备500包括收发器501、处理器502和存储器503。它们之间通过总线504连接。存储器503用于存储计算机程序和数据,并可以将存储器503存储的数据传输给处理器502。
处理器502用于读取存储器503中的计算机程序执行以下操作:
对预先确定出的多个目标经济指标进行关键词提取,得到与每个所述目标经济指标对应的多个关键词;
基于每个所述目标经济指标对应的多个关键词和所述多个目标经济指标构建异构图;
基于所述异构图,构建与所述多个目标经济指标对应的同构图,其中,所述同构图中的节点为所述多个目标经济指标;
控制收发器501分别获取多个历史时刻下待预测城市在所述多个目标经济指标下的历史数据,以及所述待预测城市在所述多个历史时刻下的历史经济总值;
将所述多个历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据、所述待预测城市在所述多个历史时刻下的历史经济总值,以及所述同构图作为输入数据进行模型训练,得到经济预测模型;
将所述待预测城市在所述多个目标经济指标下的当前数据以及所述同构图,输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值。
在本申请的一个实施方式中,在将所述多个历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据、所述待预测城市在所述多个历史时刻下的历史经济总值,以及所述同构图作为输入数据进行模型训练,得到经济预测模型方面,处理器502,具体用于执行以下操作:
分别对第一历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据进行向量化,得到所述待预测城市在所述多个目标经济指标下的多个第一特征向量,其中,所述第一历史时刻为所述多个历史时刻中的任意一个,所述多个目标经济指标与所述多个第一特征向量一一对应;
将所述多个第一特征向量分别作为所述同构图中对应节点的输入数据输入到图神经网络,得到所述第一历史时刻下的预测经济总值;
根据所述第一历史时刻下的预测经济总值以及所述第一历史时刻下的历史经济总值,得到与所述第一历史时刻对应的损失;
根据所述多个历史时刻对应的多个损失,对所述图神经网络进行训练,得到所述经济预测模型。
在本申请的一个实施方式中,将所述多个第一特征向量分别作为所述同构图中对应节点的输入数据输入到图神经网络,得到所述第一历史时刻下的预测经济总值之前,处理器502,还用于执行以下操作:
确定与所述待预测城市相关的至少一个目标城市,其中,所述至少一个目标城市中的任意一个目标城市与所述待预测城市之间的相似度大于阈值;
控制收发器501获取在所述多个历史时刻下每个所述目标城市在所述多个目标经济指标下的历史数据;
对所述第一历史时刻下每个所述目标城市在所述多个目标经济指标下的历史数据进行向量化,得到每个所述目标城市在所述多个目标经济指标下的多个第二特征向量,其中,所述多个目标经济指标与所述多个第二特征向量一一对应;
对所述至少一个目标城市与所述待预测城市之间的相似度进行归一化,得到所述待预测城市与每个所述目标城市之间的权重;
根据所述待预测城市与每所述个目标城市之间的权重,将所述待预测城市在每个目标经济指标下的第一特征向量和所述至少一个目标城市在每个目标经济指标下的第二特征向量进行融合,得到每个目标经济指标对应的第三特征向量;
在将所述多个第一特征向量分别作为所述同构图中对应节点的输入数据输入到图神经网络,得到所述第一历史时刻下的预测经济总值方面,处理器502,具体用于执行以下操作:
将所述多个目标经济指标对应的多个第三特征向量分别作为所述同构图中对应节点的输入数据输入到所述图神经网络,得到所述第一历史时刻下的预测经济总值,其中,所述多个目标经济指标与所述多个第三特征向量一一对应。
在本申请的一个实施方式中,在确定与所述待预测城市相关的至少一个目标城市方面,处理器502,具体用于执行以下操作:
获取所述待预测城市在所述多个历史时刻下的多个锡尔指数;
获取多个候选城市中每个候选城市在所述多个历史时刻下的多个锡尔指数;
获取每个历史时刻下所述待预测城市的锡尔指数与每个候选城市的锡尔指数之间的差值的绝对值;
获取所述多个历史时刻下所述待预测城市的锡尔指数与每个候选城市的锡尔指数之间的差值的绝对值的平均值;
将每个候选城市对应的平均值作为每个候选城市与所述待预测城市之间的相似度;
将所述多个候选城市中相似度大于所述阈值的候选城市作为所述至少一个目标城市。
在本申请的一个实施方式中,在将所述待预测城市在所述多个目标经济指标下的当前数据输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值方面,处理器502,具体用于执行以下操作:
获取每个所述目标城市在所述多个目标经济指标下的当前数据;
对所述待预测城市在所述多个目标经济指标下的当前数据进行编码,得到所述待预测城市在所述多个目标经济指标下的多个第四特征向量,其中,所述多个目标经济指标与所述多个第四特征向量一一对应;
对每个所述目标城市在所述多个目标经济指标下的当前数据进行编码,得到每个目标城市在所述多个目标经济指标下的多个第五特征向量,其中,所述多个目标经济指标与所述多个第五特征向量一一对应;
根据所述待预测城市与每个所述目标城市之间的权重,将所述待预测城市在每个目标经济指标下的第四特征向量与所述至少一个目标城市在每个目标经济指标下的第五特征向量进行融合,得到每个目标经济指标下的目标特征向量;
将每个目标经济指标下的目标特征向量分别作为所述同构图中对应节点的输入数据输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值。
在本申请的一个实施方式中,对预先确定出的多个目标经济指标进行关键词提取,得到与每个所述目标经济指标对应的多个关键词之前,处理器502,还用于执行以下操作:
控制收发器501从用户数据库中获取多个用户的用户画像;
根据所述多个用户的用户画像从所述多个用户中选出多个候选用户,其中,所述多个候选用户中任意一个候选用户的用户画像中包含有与经济相关的特征;
控制收发器501向每个候选用户发送电子问卷,其中,所述电子问卷用于提示用户从多个候选经济指标中选取与经济发展相关的候选经济指标;
根据每个候选用户的电子问卷调查结果,统计每个候选经济指标被选中的频率;
按照被选中频率从大到小的顺序对所述多个候选经济指标进行排序,并根据排序结果从所述多个候选经济指标中选取出所述多个目标经济指标。
具体地,上述收发器501可为图4所述的实施例的城市经济预测装置400的收发单元401,上述处理器502可以为图4所述的实施例的城市经济预测装置400的处理单元402。
应理解,本申请中的电子设备可以包括智能手机(如Android手机、iOS手机、Windows Phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID(MobileInternet Devices,简称:MID)或穿戴式设备等。上述电子设备仅是举例,而非穷举,包含但不限于上述电子设备。在实际应用中,上述电子设备还可以包括:智能车载终端、计算机设备等等。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如上述方法实施例中记载的任何一种城市经济预测方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种城市经济预测方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术用户应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术用户也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术用户可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术用户,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种城市经济预测方法,其特征在于,包括:
对预先确定出的多个目标经济指标进行关键词提取,得到与每个所述目标经济指标对应的多个关键词;
基于每个所述目标经济指标对应的多个关键词和所述多个目标经济指标构建异构图;
基于所述异构图,构建与所述多个目标经济指标对应的同构图,其中,所述同构图中的节点为所述多个目标经济指标;
分别获取多个历史时刻下待预测城市在所述多个目标经济指标下的历史数据,以及所述待预测城市在所述多个历史时刻下的历史经济总值;
将所述多个历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据、所述待预测城市在所述多个历史时刻下的历史经济总值,以及所述同构图作为输入数据进行模型训练,得到经济预测模型;
将所述待预测城市在所述多个目标经济指标下的当前数据以及所述同构图,输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值。
2.根据权利要求1所述的方法,其特征在于,所述将所述多个历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据、所述待预测城市在所述多个历史时刻下的历史经济总值,以及所述同构图作为输入数据进行模型训练,得到经济预测模型,包括:
分别对第一历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据进行向量化,得到所述待预测城市在所述多个目标经济指标下的多个第一特征向量,其中,所述第一历史时刻为所述多个历史时刻中的任意一个,所述多个目标经济指标与所述多个第一特征向量一一对应;
将所述多个第一特征向量分别作为所述同构图中对应节点的输入数据输入到图神经网络,得到所述第一历史时刻下的预测经济总值;
根据所述第一历史时刻下的预测经济总值以及所述第一历史时刻下的历史经济总值,得到与所述第一历史时刻对应的损失;
根据所述多个历史时刻对应的多个损失,对所述图神经网络进行训练,得到所述经济预测模型。
3.根据权利要求2所述的方法,其特征在于,将所述多个第一特征向量分别作为所述同构图中对应节点的输入数据输入到图神经网络,得到所述第一历史时刻下的预测经济总值之前,所述方法还包括:
确定与所述待预测城市相关的至少一个目标城市,其中,所述至少一个目标城市中的任意一个目标城市与所述待预测城市之间的相似度大于阈值;
获取在所述多个历史时刻下每个所述目标城市在所述多个目标经济指标下的历史数据;
对所述第一历史时刻下每个所述目标城市在所述多个目标经济指标下的历史数据进行向量化,得到每个所述目标城市在所述多个目标经济指标下的多个第二特征向量,其中,所述多个目标经济指标与所述多个第二特征向量一一对应;
对所述至少一个目标城市与所述待预测城市之间的相似度进行归一化,得到所述待预测城市与每个所述目标城市之间的权重;
根据所述待预测城市与每所述个目标城市之间的权重,将所述待预测城市在每个目标经济指标下的第一特征向量和所述至少一个目标城市在每个目标经济指标下的第二特征向量进行融合,得到每个目标经济指标对应的第三特征向量;
所述将所述多个第一特征向量分别作为所述同构图中对应节点的输入数据输入到图神经网络,得到所述第一历史时刻下的预测经济总值,包括:
将所述多个目标经济指标对应的多个第三特征向量分别作为所述同构图中对应节点的输入数据输入到所述图神经网络,得到所述第一历史时刻下的预测经济总值,其中,所述多个目标经济指标与所述多个第三特征向量一一对应。
4.根据权利要求3所述的方法,其特征在于,所述确定与所述待预测城市相关的至少一个目标城市,包括:
获取所述待预测城市在所述多个历史时刻下的多个锡尔指数;
获取多个候选城市中每个候选城市在所述多个历史时刻下的多个锡尔指数;
获取每个历史时刻下所述待预测城市的锡尔指数与每个候选城市的锡尔指数之间的差值的绝对值;
获取所述多个历史时刻下所述待预测城市的锡尔指数与每个候选城市的锡尔指数之间的差值的绝对值的平均值;
将每个候选城市对应的平均值作为每个候选城市与所述待预测城市之间的相似度;
将所述多个候选城市中相似度大于所述阈值的候选城市作为所述至少一个目标城市。
5.根据权利要求3或4所述的方法,其特征在于,所述将所述待预测城市在所述多个目标经济指标下的当前数据输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值,包括:
获取每个所述目标城市在所述多个目标经济指标下的当前数据;
对所述待预测城市在所述多个目标经济指标下的当前数据进行编码,得到所述待预测城市在所述多个目标经济指标下的多个第四特征向量,其中,所述多个目标经济指标与所述多个第四特征向量一一对应;
对每个所述目标城市在所述多个目标经济指标下的当前数据进行编码,得到每个目标城市在所述多个目标经济指标下的多个第五特征向量,其中,所述多个目标经济指标与所述多个第五特征向量一一对应;
根据所述待预测城市与每个所述目标城市之间的权重,将所述待预测城市在每个目标经济指标下的第四特征向量与所述至少一个目标城市在每个目标经济指标下的第五特征向量进行融合,得到每个目标经济指标下的目标特征向量;
将每个目标经济指标下的目标特征向量分别作为所述同构图中对应节点的输入数据输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值。
6.根据权利要求1-5中任一项所述的方法,其特征在于,对预先确定出的多个目标经济指标进行关键词提取,得到与每个所述目标经济指标对应的多个关键词之前,所述方法还包括:
从用户数据库中获取多个用户的用户画像;
根据所述多个用户的用户画像从所述多个用户中选出多个候选用户,其中,所述多个候选用户中任意一个候选用户的用户画像中包含有与经济相关的特征;
向每个候选用户发送电子问卷,其中,所述电子问卷用于提示用户从多个候选经济指标中选取与经济发展相关的候选经济指标;
根据每个候选用户的电子问卷调查结果,统计每个候选经济指标被选中的频率;
按照被选中频率从大到小的顺序对所述多个候选经济指标进行排序,并根据排序结果从所述多个候选经济指标中选取出所述多个目标经济指标。
7.一种城市经济预测装置,其特征在于,包括:获取单元和处理单元;
所述处理单元,用于对预先确定出的多个目标经济指标进行关键词提取,得到与每个所述目标经济指标对应的多个关键词;基于每个所述目标经济指标对应的多个关键词和所述多个目标经济指标构建异构图;
基于所述异构图,构建与所述多个目标经济指标对应的同构图,其中,所述同构图中的节点为所述多个目标经济指标;
所述获取单元,用于分别获取多个历史时刻下待预测城市在所述多个目标经济指标下的历史数据,以及所述待预测城市在所述多个历史时刻下的历史经济总值;
所述处理单元,还用于将所述多个历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据、所述待预测城市在所述多个历史时刻下的历史经济总值,以及所述同构图作为输入数据进行模型训练,得到经济预测模型;
将所述待预测城市在所述多个目标经济指标下的当前数据以及所述同构图,输入到所述经济预测模型,预测所述待预测城市在当前时刻的经济总值。
8.根据权利要求7所述的装置,其特征在于,在所述处理单元将所述多个历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据、所述待预测城市在所述多个历史时刻下的历史经济总值,以及所述同构图作为输入数据进行模型训练,得到经济预测模型方面,所述处理单元,具体用于:
对第一历史时刻下所述待预测城市在所述多个目标经济指标下的历史数据进行向量化,得到所述待预测城市在所述多个目标经济指标下的多个第一特征向量,其中,所述第一历史时刻为所述多个历史时刻中的任意一个,所述多个目标经济指标与所述多个第一特征向量一一对应;
将所述多个第一特征向量分别作为所述同构图中对应节点的输入数据输入到图神经网络,得到所述第一历史时刻下的预测经济总值;
根据所述第一历史时刻下的预测经济总值以及所述第一历史时刻下的历史经济总值,得到与所述第一历史时刻对应的损失;
根据所述多个历史时刻对应的多个损失,对所述图神经网络进行训练,得到所述经济预测模型。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器与所述存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述电子设备执行如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244406.0A CN114021790A (zh) | 2021-10-25 | 2021-10-25 | 城市经济预测方法、装置、电子设备及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244406.0A CN114021790A (zh) | 2021-10-25 | 2021-10-25 | 城市经济预测方法、装置、电子设备及相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021790A true CN114021790A (zh) | 2022-02-08 |
Family
ID=80057561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111244406.0A Pending CN114021790A (zh) | 2021-10-25 | 2021-10-25 | 城市经济预测方法、装置、电子设备及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021790A (zh) |
-
2021
- 2021-10-25 CN CN202111244406.0A patent/CN114021790A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
US20230315618A1 (en) | Data processing method and device, computing device, and test reduction device | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
CN112906896A (zh) | 信息处理方法及装置、计算设备 | |
CN116757476A (zh) | 一种风险预测模型的构建、风险防控方法和装置 | |
CN111782774A (zh) | 一种问题推荐的方法及装置 | |
CN116955788A (zh) | 一种内容处理的方法、装置、设备、存储介质及程序产品 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN113222414B (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
CN114021790A (zh) | 城市经济预测方法、装置、电子设备及相关产品 | |
CN116861226A (zh) | 一种数据处理的方法以及相关装置 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN111611981A (zh) | 信息识别方法和装置及信息识别神经网络训练方法和装置 | |
CN117076962B (zh) | 应用于人工智能领域的数据分析方法、装置及设备 | |
CN112232576B (zh) | 判决预测方法、装置、电子设备及可读存储介质 | |
CN114418752B (zh) | 无类型标签用户数据的处理方法、装置、电子设备和介质 | |
US20230140148A1 (en) | Methods for community search, electronic device and storage medium | |
CN114021788B (zh) | 预测方法、装置、电子设备和存储介质 | |
CN117689385A (zh) | 交易账户安全预测方法、装置、设备和存储介质 | |
CN117235646A (zh) | 异常交易识别方法及装置 | |
CN115169471A (zh) | 确定群体记忆特征的方法和记忆网络的训练方法、装置 |
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: 20220208 |
|
RJ01 | Rejection of invention patent application after publication |