CN115470988A - 一种构建预测模型方法、系统及其设备 - Google Patents
一种构建预测模型方法、系统及其设备 Download PDFInfo
- Publication number
- CN115470988A CN115470988A CN202211116404.8A CN202211116404A CN115470988A CN 115470988 A CN115470988 A CN 115470988A CN 202211116404 A CN202211116404 A CN 202211116404A CN 115470988 A CN115470988 A CN 115470988A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- economic
- gate
- constructing
- 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 33
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 13
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 8
- 230000014509 gene expression Effects 0.000 claims description 25
- 238000010248 power generation Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000008676 import Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 8
- 238000011161 development Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明提供一种构建预测模型方法，步骤包括：构建宏观经济预测指标体系；建立传统的混频向量自回归经济预测模型；建立基于深度学习的经济预测模型；使用时间序列模型融合方法对各个模型的预测结果进行融合；得出最终的宏观经济预测结果。本发明的模型保留了向量自回归模型，可以提取出时间序列数据中的隐藏特征与线性特征，且具有良好的可解释性特点。本发明融合了两个深度学习的模型，深度学习模型是一种非线性模型，可以成功捕捉数据中的非线性，且具有较高的精度，可以对宏观经济形势具有准确且较高可解释性的预测。
Description
技术领域
本发明涉及构建预测模型技术领域，具体涉及一种构建预测模型方法、系统及其设备。
背景技术
宏观经济预测是指以国民、部门、地区的经济活动为范围进行的各种经济预测。宏观经济形式的表现之一即GDP增速是国家进行宏观调控和企业进行投融资决策的关键参考变量之一，预测GDP增速一直是宏观经济学的重要研究领域，对宏观经济的整体走势进行预测对于我们应对未来经济走势，采取有效措施应对对经济波动进行对冲具有非常重要的意义。
行业中普遍使用以下三种方法对宏观经济形势进行预测：第一种方法，利用经济统计学中的投入产出法进行产出预测。投入产出分析法就是通过投入产出表建立投入产出分析模型来对宏观经济进行预测分析。这种测度方法，编制的难度较大，需要搜集许多行业的投入与产出，难以动态地快速地预测宏观经济形式，且难以利用相当一部分可以反映宏观经济形势的指标。第二种方法，使用宏观经济计量模型。宏观经济计量模型有许许多多的模型分支，并且在一百多年的历史中不断地被检验。近年来其中被人最为广泛使用的模型是向量自回归模型，这种模型经过修改可以运用到混频数据中可以得到混频向量自回归模型。向量自回归模型的优点是该模型是基于时间序列方法建立的，可以寻找到本质上是时间序列数据的各个变量中的隐藏信息，可解释性良好。但向量自回归模型的缺点是随着变量数和滞后项的增加，模型系数会以平方的速度增加，会导致“过拟合”问题。虽然模型对于样本数据拟合过于良好，对于其他样本估计效果不佳，即无法进行良好预测。第三种方法是基于深度学习模型的宏观经济形式预测。深度学习模型能够处理非线性、不连续和高频多维的数据，有泛化能力强、训练速度快、稳定性好等优点，因而该模型在宏观经济预测领域得到越来越多的应用。但是深度学习模型是一种黑箱模型，即其可解释性不强，无法回答，即深度学习模型是否能够获取经济发展的非线性性，深度学习模型与传统模型相比预测效果是否会有显著提高。所以该选择何种方法进行宏观经济预测就成为了十分重要的问题。
发明内容
为解决上述问题，本发明提供一种构建预测模型方法、系统及其设备，解决现有技术模型单一，无法兼顾解释性和较高的预测精度的问题。技术方案如下:
一种构建预测模型方法，步骤包括：
构建宏观经济预测指标体系；
建立传统的混频向量自回归经济预测模型；
建立基于深度学习的经济预测模型；
使用时间序列模型融合方法对各个模型的预测结果进行融合；
得出最终的宏观经济预测结果。
进一步地，所述宏观经济预测指标体系包括：水电发电量、火电发电量、油电发电量、煤电发电量、燃气电发电量、光伏发电量、装机容量、单位供电成本、单位购电成本、第一产业用电量、第二产业用电量、第三产业用电量、城乡居民用电、中心城区居民端综合电压合格率、城镇居民端综合电压合格率、农村居民端综合电压合格率、第三方客户满意度、中压线路故障率、停电用户平均停电次数、区域各重点行业用电量、实际GDP同比增长率、贷款实际利率、固定资产投资同比增长率、非金融部门杠杆率、居民消费价格指数同比增长率、商品零售价格指数同比增长率、货币和准货币期末同比增长率、社会消费品零售总额同比增长率、一般公共预算支出当期同比增速金融机构人民币各项贷款余额期末同比增长率、进口额同比增长率、出口额同比增长率、工业增加值同比增长率、第三产业增加值同比增长率、商品房本年新开工面积同比增长率、发电量同比增长率、上证综指、沪市成交额同比增长率以及宏观经济景气先行指数。
进一步地，所述传统的混频向量自回归经济预测模型的表达式为：
Xt＝φ0+φ1Xt-1+…+φpXt-p+ut；
其中，Xt表示第t时点的经济变量向量，Xt＝(X'm,t,X'q,t)'；Xm,t是nm×1月度指标，Xq,t是nq×1季度指标，扰动项ut～N(0,Σ)。
进一步地，所述基于深度学习的经济预测模型包括GRU模型和LSTM模型。
进一步地，所述GRU模型的网络结构包括重置门、更新门和候选隐单元；
重置门的表达式为：
Rt＝σ(XtWxr+Ht-1Whr+br)；
更新门的表达式为：
Zt＝σ(XtWxz+Ht-1Whz+bz)；
候选隐单元的表达式为：
GRU模型的隐单元表达式为：
GRU模型输出预测结果表达式为：
其中，Wxr,Whr表示重置门的权重参数，Wxz,Whz是更新门的权重参数，Wxh,Whh代表候选记忆单元的权重参数，br,bz分别代表重置门和更新门的偏置参数，σ(x) 代表sigmoid函数。
进一步地，所述LSTM模型求解过程为：
假定第t个时刻的输入为Xt，第t时刻的隐藏状态为Ht∈Rn×h，第t时刻的记忆状态为Ct∈Rn×h；输入门为It、遗忘门为Ft和输出门为Ot的表达式分别为：
It＝σ(XtWxi+Ht-1Whi+bi)；
Ft＝σ(XtWxf+Ht-1Whf+bf)；
Ot＝σ(XtWxo+Ht-1Who+bo)；
其中，Wxi,Whi表示输入门的权重参数，Wxf,Whf是遗忘门的权重参数，Wxo,Who是输出门的权重参数，bi,bf,bo分别代表输入门，遗忘门，输出门的偏置参数，σ(x) 代表sigmoid函数；
第t时刻的隐藏状态的更新需要经过先经过记忆单元的更新；当前状态输入特征和上一状态隐藏层信息经过记忆门得到当前状态潜在的记忆单元：
使用输入门、遗忘门和输出门的信息对记忆信息、隐藏状态和预测结果进行更新；第t时刻的记忆单元Ct由上一状态记忆单元Ct-1经过遗忘门再与当前状态潜在记忆单元
结合而成，表达式如下：
其中，Wxc是当前输入作用于潜在记忆单元的权重参数，Whc是上一时刻隐藏状态对潜在记忆单元的权重参数，bc代表潜在记忆单元偏置参数，⊙代表矩阵之间元素对应相乘；
当前状态的隐藏层的更新，经过输出门得到，表达式如下：
Ht＝Ot⊙tanh(Ct)；
当前状态的预测结果更新如下式：
其中，Why代表隐藏层对预测结果的权重向量，by代表隐藏层对预测结果的偏置参数。
进一步地，所述使用时间序列模型融合方法进行模型融合步骤包括：通过寻找最优多模型权重
对各模型的预测结果进行加权平均，寻找最优权重的目标函数为：
wm＞0,m＝1,...,M；
其中，M表示基础模型个数，
表示基础模型预测结果，集合V表示验证集，
为对应的权重。
进一步地，所述宏观预测结果表示为：
一种构建预测模型系统，用于执行上述预测模型构建方法，包括：
获取单元，用于获取宏观经济指标体系中的指标；
建模单元，用于建立传统的混频向量自回归经济预测模型和深度学习经济预测模型；
融合单元，用于融合传统的混频自回归经济预测模型和深度学习经济预测模型，得到最终经济指标预测结果。
一种构建预测模型的设备，包括计算机可读存储介质、处理器以及存储在所述计算机可读存储介质中并可在所述处理器上运行的计算机程序，其所述处理器执行所述计算机程序时实现上述预测模型构建方法。
与现有技术想比，有益效果是：
本发明引入时间序列模型融合方法，融合传统的混频向量自回归模型和深度学习中的GRU、LSTM模型。首先本发明的模型保留了向量自回归模型，该模型是一种线性时间序列模型，可以提取出时间序列数据中的隐藏特征与线性特征，且具有良好的可解释性特点。其次本发明融合了两个深度学习的模型，深度学习模型是一种非线性模型，可以成功捕捉数据中的非线性，且具有较高的精度，可以对宏观经济形势具有准确且较高可解释性的预测。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种构建预测模型方法的流程示意图。
图2为本发明的一种构建预测模型系统的结构示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。
实施例1，如图1所示，一种基于混频向量自回归与深度学习融合的预测模型构建方法，步骤如下：
S1：构建宏观经济预测指标体系。
多维宏观经济发展的经济指标体系需要与宏观经济理论相契合，这里的宏观经济理论本发明根据IS-LM模型确定总需求的理论来确定指标。
电力行业的发展是宏观经济发展的晴雨表。人类社会随着电气时代乃至信息时代的到来，电力与经济运行、人民生活逐渐变得息息相关，密不可分。首先对于重工业来说，电力是不可或缺的能源；其次，对于居民来说，电力又是基本的“生活必需品”，是反映居民生活水平的重要因素。宏观经济的发展离不开电力，反过来地，宏观经济的发展也会带来电力行业的发展，推动电力行业的繁荣。电力和宏观经济是互相交织，互相促进的关系。综上所述，通过电力行业状况从而预测宏观经济发展的是有其必要性所在的。
所以宏观经济预测指标体系包括：水电发电量、火电发电量、油电发电量、煤电发电量、燃气电发电量、光伏发电量、装机容量、单位供电成本、单位购电成本、第一产业用电量、第二产业用电量、第三产业用电量、城乡居民用电、中心城区居民端综合电压合格率、城镇居民端综合电压合格率、农村居民端综合电压合格率、第三方客户满意度、中压线路故障率、停电用户平均停电次数、区域各重点行业用电量、实际GDP同比增长率、贷款实际利率、固定资产投资同比增长率、非金融部门杠杆率、居民消费价格指数同比增长率、商品零售价格指数同比增长率、货币和准货币期末同比增长率、社会消费品零售总额同比增长率、一般公共预算支出当期同比增速金融机构人民币各项贷款余额期末同比增长率、进口额同比增长率、出口额同比增长率、工业增加值同比增长率、第三产业增加值同比增长率、商品房本年新开工面积同比增长率、发电量同比增长率、上证综指、沪市成交额同比增长率以及宏观经济景气先行指数。
S2：建立传统的混频向量自回归经济预测模型。
传统的混频向量自回归经济预测模型的表达式为：
Xt＝φ0+φ1Xt-1+…+φpXt-p+ut；
其中，Xt表示第t时点的经济变量向量，Xt＝(X'm,t,X'q,t)'；Xm,t是nm×1月度指标，Xq,t是nq×1季度指标，扰动项ut～N(0,Σ)。
估计向量自回归经济预测模型的参数φ0,...,φp需要构建模型的状态空间形式，记Zt＝[Xt',...,Xt'-p]'，φ＝[φ0,...,φp]'，月度经济指标实际观测值Ym,t＝Xm,t；记
季度经济指标实际观测值
其中，Λq为转换矩阵，Mq为季度选择矩阵，当时点为季度末取单位矩阵，当时点不为季度末取空矩阵。
S3：建立基于深度学习的经济预测模型。
基于深度学习的经济预测模型包括GRU模型和LSTM模型。
GRU模型的网络结构包括重置门、更新门和候选隐单元；重置门的表达式为：
Rt＝σ(XtWxr+Ht-1Whr+br)；
更新门的表达式为：
Zt＝σ(XtWxz+Ht-1Whz+bz)；
候选隐单元的表达式为：
GRU模型的隐单元表达式为：
GRU模型输出预测结果表达式为：
其中，Wxr,Whr表示重置门的权重参数，Wxz,Whz是更新门的权重参数，Wxh,Whh代表候选记忆单元的权重参数，br,bz分别代表重置门和更新门的偏置参数，σ(x) 代表sigmoid函数。
LSTM模型求解过程为：
假定第t个时刻的输入为Xt，第t时刻的隐藏状态为Ht∈Rn×h，第t时刻的记忆状态为Ct∈Rn×h；输入门为It、遗忘门为Ft和输出门为Ot的表达式分别为：
It＝σ(XtWxi+Ht-1Whi+bi)；
Ft＝σ(XtWxf+Ht-1Whf+bf)；
Ot＝σ(XtWxo+Ht-1Who+bo)；
其中，Wxi,Whi表示输入门的权重参数，Wxf,Whf是遗忘门的权重参数，Wxo,Who是输出门的权重参数，bi,bf,bo分别代表输入门，遗忘门，输出门的偏置参数，σ(x) 代表sigmoid函数；
第t时刻的隐藏状态的更新需要经过先经过记忆单元的更新；当前状态输入特征和上一状态隐藏层信息经过记忆门得到当前状态潜在的记忆单元：
使用输入门、遗忘门和输出门的信息对记忆信息、隐藏状态和预测结果进行更新；第t时刻的记忆单元Ct由上一状态记忆单元Ct-1经过遗忘门再与当前状态潜在记忆单元
结合而成，表达式如下：
其中，Wxc是当前输入作用于潜在记忆单元的权重参数，Whc是上一时刻隐藏状态对潜在记忆单元的权重参数，bc代表潜在记忆单元偏置参数，⊙代表矩阵之间元素对应相乘；
当前状态的隐藏层的更新，经过输出门得到，表达式如下：
Ht＝Ot⊙tanh(Ct)；
当前状态的预测结果更新如下式：
其中，Why代表隐藏层对预测结果的权重向量，by代表隐藏层对预测结果的偏置参数。
S4：使用时间序列模型融合方法对各个模型的预测结果进行融合。
本步骤需要求解权重，使得验证集数据的预测均方误差最小。通过寻找最优多模型权重
对各模型的预测结果进行加权平均，寻找最优权重的目标函数为：
wm＞0,m＝1,...,M；
其中，M表示基础模型个数，
表示基础模型预测结果，集合V表示验证集，
为对应的权重。
在本实施例中，基础模型包含1个混频向量自回归模型，多个GRU和LSTM 模型。其中，GRU和LSTM模型可以通过调节神经网络的层数和神经元个数派生出多个模型。
S5：得出最终的宏观经济预测结果。
模型融合后的测试集预测结果表示为：
本发明引入时间序列模型融合方法，融合传统的混频向量自回归模型和深度学习中的GRU、LSTM模型。首先本发明的模型保留了向量自回归模型，该模型是一种线性时间序列模型，可以提取出时间序列数据中的隐藏特征与线性特征，且具有良好的可解释性特点。其次本发明融合了两个深度学习的模型，深度学习模型是一种非线性模型，可以成功捕捉数据中的非线性，且具有较高的精度，可以对宏观经济形势具有准确且较高可解释性的预测。
实施例2，如图2所示，本发明还提供一种构建预测模型系统，用于执行上述预测模型构建方法，包括：
获取单元201，用于获取宏观经济指标体系中的指标；
建模单元202，用于建立传统的混频向量自回归经济预测模型和深度学习经济预测模型；
融合单元203，用于融合传统的混频自回归经济预测模型和深度学习经济预测模型，得到最终经济指标预测结果。
在本实施例中，建模单元202包括混频向量自回归经济预测模块以及深度学习经济预测模块。混频向量自回归经济预测模块2021，用于采用混频向量自回归经济预测模型对宏观经济形势进行预测；深度学习经济预测模块2022，用于采用GRU模型以及LSTM模型对宏观经济形势进行预测；
在本实施例中，融合单元203包括确定模块2031和计算模块2032。确定模块2031，用于基于所述经济预测模型产生的预测结果确定所述预测结果的权重；计算模块2032，用于根据所述权重对所述预测结果进行赋值计算得到评价指数。
在本实施例中，获取单元201在获取到获取宏观经济指标体系中的指标后建模单元202将指标输入至指标池内进行建模操作，其中混频向量自回归经济预测模块2021，通过混频向量自回归经济预测模型对宏观经济形势进行预测；深度学习经济预测模块2022，通过GRU模型以及LSTM模型对宏观经济形势进行预测；融合单元203则通过融合传统的混频自回归经济预测模型和深度学习经济预测模型，得到最终经济指标预测结果；最后确定模块2031通过基于所述经济预测模型产生的预测结果确定所述预测结果的权重，计算模块2032，用于根据所述权重对所述预测结果进行赋值计算得到评价指数，本发明的模型保留了向量自回归模型，可以提取出时间序列数据中的隐藏特征与线性特征，具有良好的可解释性特点，且融合了两个深度学习的模型，可以成功捕捉数据中的非线性，可以对宏观经济形势具有准确且较高可解释性的预测，并且适合混频数据的输入。
实施例3，本发明还提供一种构建预测模型的设备，包括计算机可读存储介质、处理器以及存储在所述计算机可读存储介质中并可在所述处理器上运行的计算机程序，其所述处理器执行所述计算机程序时实现上述预测模型构建方法。由于预测模型构建方法在上述给出了详细描述，不再赘述。
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种构建预测模型方法，其特征在于，基于混频向量自回归模型与深度学习模型融合，步骤包括：
构建宏观经济预测指标体系；
建立传统的混频向量自回归经济预测模型；
建立基于深度学习的经济预测模型；
使用时间序列模型融合方法对各个模型的预测结果进行融合；
得出最终的宏观经济预测结果。
2.根据权利要求1所述的构建预测模型方法，其特征在于，所述宏观经济预测指标体系包括：水电发电量、火电发电量、油电发电量、煤电发电量、燃气电发电量、光伏发电量、装机容量、单位供电成本、单位购电成本、第一产业用电量、第二产业用电量、第三产业用电量、城乡居民用电、中心城区居民端综合电压合格率、城镇居民端综合电压合格率、农村居民端综合电压合格率、第三方客户满意度、中压线路故障率、停电用户平均停电次数、区域各重点行业用电量、实际GDP同比增长率、贷款实际利率、固定资产投资同比增长率、非金融部门杠杆率、居民消费价格指数同比增长率、商品零售价格指数同比增长率、货币和准货币期末同比增长率、社会消费品零售总额同比增长率、一般公共预算支出当期同比增速金融机构人民币各项贷款余额期末同比增长率、进口额同比增长率、出口额同比增长率、工业增加值同比增长率、第三产业增加值同比增长率、商品房本年新开工面积同比增长率、发电量同比增长率、上证综指、沪市成交额同比增长率以及宏观经济景气先行指数。
3.根据权利要求1所述的构建预测模型方法，其特征在于，所述传统的混频向量自回归经济预测模型的表达式为：
Xt＝φ0+φ1Xt-1+…+φpXt-p+ut；
其中，Xt表示第t时点的经济变量向量，Xt＝(X'm,t,X'q,t)'；Xm,t是nm×1月度指标，Xq,t是nq×1季度指标，扰动项ut～N(0,Σ)。
4.根据权利要求1所述的构建预测模型方法，其特征在于，所述基于深度学习的经济预测模型包括GRU模型和LSTM模型。
5.根据权利要求4所述的构建预测模型方法，其特征在于，所述GRU模型的网络结构包括重置门、更新门和候选隐单元；
重置门的表达式为：
Rt＝σ(XtWxr+Ht-1Whr+br)；
更新门的表达式为：
Zt＝σ(XtWxz+Ht-1Whz+bz)；
候选隐单元的表达式为：
GRU模型的隐单元表达式为：
GRU模型输出预测结果表达式为：
其中，Wxr,Whr表示重置门的权重参数，Wxz,Whz是更新门的权重参数，Wxh,Whh代表候选记忆单元的权重参数，br,bz分别代表重置门和更新门的偏置参数，σ(x)代表sigmoid函数。
6.根据权利要求4所述的构建预测模型方法，其特征在于，所述LSTM模型求解过程为：
假定第t个时刻的输入为Xt，第t时刻的隐藏状态为Ht∈Rn×h，第t时刻的记忆状态为Ct∈Rn×h；输入门为It、遗忘门为Ft和输出门为Ot的表达式分别为：
It＝σ(XtWxi+Ht-1Whi+bi)；
Ft＝σ(XtWxf+Ht-1Whf+bf)；
Ot＝σ(XtWxo+Ht-1Who+bo)；
其中，Wxi,Whi表示输入门的权重参数，Wxf,Whf是遗忘门的权重参数，Wxo,Who是输出门的权重参数，bi,bf,bo分别代表输入门，遗忘门，输出门的偏置参数，σ(x)代表sigmoid函数；
第t时刻的隐藏状态的更新需要经过先经过记忆单元的更新；当前状态输入特征和上一状态隐藏层信息经过记忆门得到当前状态潜在的记忆单元：
使用输入门、遗忘门和输出门的信息对记忆信息、隐藏状态和预测结果进行更新；第t时刻的记忆单元Ct由上一状态记忆单元Ct-1经过遗忘门再与当前状态潜在记忆单元
结合而成，表达式如下：
其中，Wxc是当前输入作用于潜在记忆单元的权重参数，Whc是上一时刻隐藏状态对潜在记忆单元的权重参数，bc代表潜在记忆单元偏置参数，⊙代表矩阵之间元素对应相乘；
当前状态的隐藏层的更新，经过输出门得到，表达式如下：
Ht＝Ot⊙tanh(Ct)；
当前状态的预测结果更新如下式：
其中，Why代表隐藏层对预测结果的权重向量，by代表隐藏层对预测结果的偏置参数。
7.根据权利要求1所述的构建预测模型方法，其特征在于，所述使用时间序列模型融合方法进行模型融合步骤包括：通过寻找最优多模型权重
对各模型的预测结果进行加权平均，寻找最优权重的目标函数为：
wm＞0,m＝1,...,M；
其中，M表示基础模型个数，
表示基础模型预测结果，集合V表示验证集。
8.根据权利要求7所述的基于混频向量自回归与深度学习融合的预测模型构建方法，其特征在于，所述宏观预测结果表示为：
9.一种构建预测模型系统，用于执行如权利要求1-8任一项所述预测模型构建方法，其特征在于，包括：
获取单元，用于获取宏观经济指标体系中的指标；
建模单元，用于建立传统的混频向量自回归经济预测模型和深度学习经济预测模型；
融合单元，用于融合传统的混频自回归经济预测模型和深度学习经济预测模型，得到最终经济指标预测结果。
10.一种构建预测模型的设备，包括计算机可读存储介质、处理器以及存储在所述计算机可读存储介质中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～8中任一项所述预测模型构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211116404.8A CN115470988A (zh) | 2022-09-14 | 2022-09-14 | 一种构建预测模型方法、系统及其设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211116404.8A CN115470988A (zh) | 2022-09-14 | 2022-09-14 | 一种构建预测模型方法、系统及其设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115470988A true CN115470988A (zh) | 2022-12-13 |
Family
ID=84333675
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211116404.8A Pending CN115470988A (zh) | 2022-09-14 | 2022-09-14 | 一种构建预测模型方法、系统及其设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115470988A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089884A (zh) * | 2023-02-09 | 2023-05-09 | 安徽省气象台 | 近实时降水估测模型的构建方法及近实时降水估测方法 |
| CN116595356A (zh) * | 2023-07-17 | 2023-08-15 | 腾讯科技（深圳）有限公司 | 时序信号预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-09-14 CN CN202211116404.8A patent/CN115470988A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089884A (zh) * | 2023-02-09 | 2023-05-09 | 安徽省气象台 | 近实时降水估测模型的构建方法及近实时降水估测方法 |
| CN116595356A (zh) * | 2023-07-17 | 2023-08-15 | 腾讯科技（深圳）有限公司 | 时序信号预测方法、装置、电子设备及存储介质 |
| CN116595356B (zh) * | 2023-07-17 | 2023-09-22 | 腾讯科技（深圳）有限公司 | 时序信号预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kabir et al. | Neural network-based uncertainty quantification: A survey of methodologies and applications | |
| Tran et al. | Nature-inspired metaheuristic ensemble model for forecasting energy consumption in residential buildings | |
| Li et al. | Application of interpretable machine learning models for the intelligent decision | |
| CN115470988A (zh) | 一种构建预测模型方法、系统及其设备 | |
| Taghian et al. | Learning financial asset-specific trading rules via deep reinforcement learning | |
| Bateni et al. | Bankruptcy prediction using logit and genetic algorithm models: A comparative analysis | |
| Morteza et al. | Deep learning hyperparameter optimization: Application to electricity and heat demand prediction for buildings | |
| Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
| Gong et al. | A new approach of stock price prediction based on logistic regression model | |
| Panda et al. | Analysis and evaluation of two short-term load forecasting techniques | |
| Wang et al. | A data-driven load forecasting method for incentive demand response | |
| Liu et al. | Exchange rates forecasting with least squares support vector machine | |
| Xiong et al. | The housing demand analysis and prediction of the real estate based on the AWGM (1, N) model | |
| Bezerra et al. | A PCA-based variable ranking and selection approach for electric energy load forecasting | |
| Hajek et al. | Interval-valued fuzzy cognitive maps with genetic learning for predicting corporate financial distress | |
| Ferencek et al. | Deep learning predictive models for terminal call rate prediction during the warranty period | |
| Li | Consumer Decision-Making Power Based on BP Neural Network and Fuzzy Mathematical Model | |
| Ghandar et al. | The relationship between model complexity and forecasting performance for computer intelligence optimization in finance | |
| Cui et al. | Carbon trading price prediction based on a two-stage heterogeneous ensemble method | |
| Krstev et al. | An overview of forecasting methods for monthly electricity consumption | |
| Goncalves et al. | Predicting project sales prices using machine learning techniques: a case study in a project consultancy | |
| Chang et al. | A GREY-BASED ROLLING PROCEDURE FOR SHORT-TERM FORECASTING USING LIMITED TIME SERIES DATA. | |
| CN111353809A (zh) | 社会消费品零售总额季度累计增幅预测方法和系统 | |
| Mahmud et al. | Modelling and forecasting energy demand of Bangladesh using AI based algorithms | |
| de Jesus et al. | Time Series Forecasting Using LSTM Applied for Commodity Futures Price in Latin America |
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 |