基于长短期记忆神经网络的工业增加值预测方法及系统技术方案

本发明专利技术提供了一种基于长短期记忆网络的工业增加值预测方法及系统，包括获取历史的工业增加值数据和工业增加值的影响因素数据，将工业增加值数据和工业增加值的影响因素数据按照时间序列形成训练数集；在联邦学习框架下对训练数集依次进行数据标准化、平稳性检验和特征筛选，获取若干个稳态规范化最具影响力的相关变量；基于若干个稳态规范化最具影响力的相关变量，建立联邦学习框架下的长短期记忆网络预测模型，获取标准化后的目标时间的工业增加值；对标准化后的目标时间的工业增加值进行数据标准化逆变换，获取目标时间的工业增加值实际预测结果。通过平稳性检验、特征筛选和数据标准化处理，使预测过程高效安全，预测结果准确。准确。准确。

【技术实现步骤摘要】
基于长短期记忆神经网络的工业增加值预测方法及系统


[0001]本专利技术涉及联邦学习
，尤其涉及一种基于长短期记忆网络的工业增加值预测方法及系统。

技术介绍

[0002]当前经济和电力工业迅速发展,国内电力市场进入深化改革阶段，各级电力企业都需要及时准确地了解经济形势，制定出切实可靠的经济决策。城市工业增加值反映了各级电力企业生产过程中新创造的价值，是衡量实体经济运行状况的重要指标。科学精准地预测工业增加值，有助于国家制定正确的经济政策，对各级电力企业更快解读经济形势、把握经济社会发展水平和效益水平并进行决策等具有重要的现实意义。
[0003]Sequential Big Data
‑
Based Macroeconomic Forecast for Industrial Value Added. Commun(Yang,Y.,Kong,J.,Yang,L.et al.Math.Stat.7,445
–
457(2019))中已经有基于居民消费价格指数、增值税等对工业增加值进行预测，但是，既有文献表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短期记忆网络的工业增加值预测方法，其特征在于，所述工业增加值预测方法包括如下步骤：获取历史的工业增加值数据和所述工业增加值的影响因素数据，将所述工业增加值数据和所述工业增加值的影响因素数据按照时间序列形成训练数集；在联邦学习框架下对所述训练数集依次进行数据标准化、平稳性检验和特征筛选，获取若干个稳态规范化最具影响力的相关变量；基于若干个所述稳态规范化最具影响力的相关变量，建立联邦学习框架下的长短期记忆网络预测模型，通过所述长短期记忆网络模型获取标准化后的目标时间的工业增加值；对标准化后的所述目标时间的工业增加值进行数据标准化逆变换，获取目标时间的工业增加值的实际预测结果。2.根据权利要求1所述的基于长短期记忆网络的工业增加值预测方法，其特征在于，所述联邦学习框架由三个客户端和一个中心服务器构成，所述数据标准化处理包括：所述中心服务器将统一的数据规范化处理方法发送给所述联邦框架下的三个所述客户端；三个所述客户端按照统一规则与方法分布式进行本地数据的数据规范化处理；其中，所述数据标椎化处理为将所述训练数集按比例缩放变换，变换公式为：其中，x为原始特征；x
min
为特征最小值；x
max
为特征最大值；x
’
为转换后的特征。3.根据权利要求2所述的基于长短期记忆网络的工业增加值预测方法，其特征在于，所述平稳性检验包括如下步骤：所述中心服务器将统一的平稳性检验方法发送给所述联邦框架下三个所述客户端；三个所述客户端按照统一规则与方法分布式进行本地数据的平稳性检验；其中，所述平稳性检验包括如下步骤：设定显著性水平，构建三个平稳性检验模型，并假设所述训练数集是不平稳的；将三个所述平稳性检验模型的显著性检验统计量与显著性水平比较，如果所述显著性检验统计量小于所述显著性水平，则应拒绝假设；否则，不能拒绝假设；如果三个模型中有一个模型拒绝假设，则所述训练数集是平稳的；否则，如果三个模型都不能拒绝假设，则所述训练数集是非平稳的；若所述训练数集是非平稳的，则对所述训练数集进行差分处理，对差分后的所述训练数集重新构建三个所述平稳性模型；其中，所述设定显著性水平为当假设为正确时所犯错误的风险。4.根据权利要求3所述的基于长短期记忆网络的工业增加值预测方法，其特征在于，构建三个所述平稳性检验模型的特征方程分别为：建三个所述平稳性检验模型的特征方程分别为：
其中，Y
t
为训练数集；
△
为差分算子，
△
Y
t
＝Y
t
‑
Y
t
‑1，
△
Y
t
‑
i
＝Y
t
‑
i
‑
Y
t
‑
i
‑1；α为常数项；β、βi和δ均为系数项；εi为误差项；T为趋势项。5.根据权利要求3所述的基于长短期记忆网络的工业增加值预测方法，其特征在于，所述特征筛选包括：所述中心服务器将统一的特征筛选方法发送给联邦框架下的三个所述客户端；三个所述客户端按照统一规则与方法分布式进行本地数据的特征筛选，即计算本地各所述工业增加值的影响因素数据的方差，公式为：其中，X为标准化后的特征x
’
；μ为特征期望值；N为特征值数量；σ2为各影响因素数据的方差；选取方差值大于阈值的所述影响因素数据为所述最具影响力的相关变量。6.根据权利要求2所述的基于长短期记忆网络的工业增加值预测方法，其特征在于，所述中心服务器向三个所述客户端发送初始化的长短期记忆网络预测模型，所述建立联邦学习框架包括：三个所述客户端分别利用所述稳态规范化最具影响力的相关变量进行长短期记忆网络预测模型的训练，并将得到的模型参数和梯度经过加密后传输至所述中心服务器；所述中心服务器将所述加密后的所述模型参数和梯度采用联邦平均算法进行聚合，形成中间模型，根据所述中间模型获取更新后的模型参数和梯度；所述中心服务器将所述更新后的模型参数和梯度分别传输给三个所述客户端；三个所述客户端对所述更新后的模型参数和梯度进行解密，并使用解密后的模型参数和梯度结果更新三个所述客户端的模型参数和梯度；根据迭代次数是否达到最大迭代次数判断是否结束：若未结束，则执行更新所述模型参数和梯度及迭代次数，并重新进行所述长短期记忆网络预测模型的训练；若结束，...

【专利技术属性】
技术研发人员：高强，冉冉，刘育博，胡非，夏雨，曲睿婷，白亮，邢子墨，黄梦彤，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：