一种构建预测模型方法、系统及其设备技术方案

本发明专利技术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。本发明专利技术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。本发明专利技术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。确且较高可解释性的预测。确且较高可解释性的预测。

【技术实现步骤摘要】
一种构建预测模型方法、系统及其设备


[0001]本专利技术涉及构建预测模型
，具体涉及一种构建预测模型方法、系统及其设备。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]为解决上述问题，本专利技术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:
[0005]一种构建预测模型方法，步骤包括：
[0006]构建宏观经济预测指标体系；
[0007]建立传统的混频向量自回归经济预测模型；
[0008]建立基于深度学习的经济预测模型；
[0009]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；
[0010]得出最终的宏观经济预测结果。
[0011]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。
[0012]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：
[0013]X
t
＝φ0+φ1X
t
‑1+
…
+φ
p
X
t
‑
p
+u
t
；
[0014]其中，X
t
表示第t时点的经济变量向量，X
t
＝(X'
m,t
,X'
q,t
)'；X
m,t
是n
m
×
1月度指标，X
q,t
是n
q
×
1季度指标，扰动项u
t
～N(0,Σ)。
[0015]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。
[0016]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；
[0017]重置门的表达式为：
[0018]R
t
＝σ(X
t
W
xr
+H
t
‑1W
hr
+b
r
)；
[0019]更新门的表达式为：
[0020]Z
t
＝σ(X
t
W
xz
+H
t
‑1W
hz
+b
z
)；
[0021]候选隐单元的表达式为：
[0022][0023]GRU模型的隐单元表达式为：
[0024][0025]GRU模型输出预测结果表达式为：
[0026][0027]其中，W
xr
,W
hr
表示重置门的权重参数，W
xz
,W
hz
是更新门的权重参数，W
xh
,W
hh
代表候选记忆单元的权重参数，b
r
,b
z
分别代表重置门和更新门的偏置参数，σ(x) 代表sigmoid函数。
[0028]进一步地，所述LSTM模型求解过程为：
[0029]假定第t个时刻的输入为X
t
，第t时刻的隐藏状态为H
t
∈R
n
×
h
，第t时刻的记忆状态为C
t
∈R
n
×
h
；输入门为I
t
、遗忘门为F
t
和输出门为O
t
的表达式分别为：
[0030]I
t
＝σ(X
t
W
xi
+H
t
‑1W
hi
+b
i
)；
[0031]F
t
＝σ(X
t
W
xf
+H
t
‑1W
hf
+b
f
)；
[0032]O
t
＝σ(X
t
W
xo
+H
t
‑1W
ho
+b...

【技术保护点】

【技术特征摘要】
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：X
t
＝φ0+φ1X
t
‑1+
…
+φ
p
X
t
‑
p
+u
t
；其中，X
t
表示第t时点的经济变量向量，X
t
＝(X'
m,t
,X'
q,t
)'；X
m,t
是n
m
×
1月度指标，X
q,t
是n
q
×
1季度指标，扰动项u
t
～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：R
t
＝σ(X
t
W
xr
+H
t
‑1W
hr
+b
r
)；更新门的表达式为：Z
t
＝σ(X
t
W
xz
+H
t
‑1W
hz
+b
z
)；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，W
xr
,W
hr
表示重置门的权重参数，W
xz
,W
hz
是更新门的权重参数，W
xh
,W
hh
代表候选记忆单元的权重参数，b
r
,b
z
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X
t
，第t时刻的隐藏状态为H
t
∈R
n
×
h
，...

【专利技术属性】
技术研发人员：岑剑峰，卢纯颢，林溪桥，刘裕昆，程敏，覃惠玲，周春丽，陈志君，何承瑜，王鹏，李小伟，李荣耀，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：