一种基于学习模型的区域因素预测方法技术

本发明专利技术涉及一种基于学习模型的区域因素预测方法，所述基于学习模型的区域因素预测方法包括以下步骤：获取需预测的区域历史上的区域因素数据，所述区域因素数据包括数字经济因素数据和绿色技术创新因素数据；构建预测模型，将历史上的区域因素数据输入所述预测模型内进行训练，得到训练后的预测模型；获取该区域当前的区域因素数据，将当前的区域因素数据输入所述训练后的预测模型内，得到区域因素重心数据；基于所述区域因素重心数据制得区域因素变化趋势表，实现了预测区域因素的目的。本发明专利技术通过学习模型来探究和预测数字经济与绿色技术创新的重心迁移轨迹、分布方向以及重心耦合性，有利于加速推进两者融合发展。有利于加速推进两者融合发展。有利于加速推进两者融合发展。

【技术实现步骤摘要】
一种基于学习模型的区域因素预测方法


[0001]本专利技术属于因素预测
，尤其涉及一种基于学习模型的区域因素预测方法。

技术介绍

[0002]目前以大数据、云计算、人工智能、5G技术等新型要素为基础的数字经济成为全球经济发展的新引擎，我国在大力加快数字经济发展步伐，数字经济已经在推进市场化建设过程中也取得了长足进步；绿色技术创新是大势所趋，在经济建设过程中，避免资源重复建设、环境污染等问题，需要绿色技术创新的投入。数字经济发展水平成为创新型城市发展的核心竞争力，绿色技术创新是创新型城市发展的重要支撑。
[0003]目前仅有单独研究数字经济或绿色技术创新重心轨迹迁移的技术，或者研究两者的单方面影响，对于数字经济与绿色技术创新的相互关系以及数字经济与绿色技术创新重心在区域内迁移的相互作用，目前没有相关研究，通过研究数字经济与绿色技术创新重心在区域内的迁移，可预测区域内的数字经济或绿色技术创新重心的移动方向。
[0004]因此，有必要提供一种新的基于学习模型的区域因素预测方法解决上述技术问题。
专利技术内容
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于学习模型的区域因素预测方法，其特征在于，包括以下步骤：S1：获取需预测的区域历史上的区域因素数据，所述区域因素数据包括数字经济因素数据和绿色技术创新因素数据；S2：构建预测模型，将历史上的区域因素数据输入所述预测模型内进行训练，得到训练后的预测模型；S3：获取该区域当前的区域因素数据，将当前的区域因素数据输入所述训练后的预测模型内，得到区域因素重心数据；S4：基于所述区域因素重心数据制得区域因素变化趋势表，实现了预测区域因素的目的。2.根据权利要求1所述的一种基于学习模型的区域因素预测方法，其特征在于：所述数字经济因素数据包括网络基础数据、通信基础数据、人才基础数据和数字金融数据。3.根据权利要求1所述的一种基于学习模型的区域因素预测方法，其特征在于：所述绿色技术创新因素数据包括劳动投入数据、资本投入数据、资源投入数据、期望产出数据和非期望产出数据。4.根据权利要求1所述的一种基于学习模型的区域因素预测方法，其特征在于：所述步骤S3中获取该区域当前的区域因素数据，将当前的区域因素数据输入所述训练后的预测模型内，得到区域因素重心数据，具体包括以下内容：训练后的预测模型基于当前的区域因素数据对数字经济因素和绿色技术创新因素进行综合评价，得到综合指数；基于当前的区域因素数据进行泰尔指数计算，得到泰尔指数；基于当前的区域因素数据进行非参数Kernel核密度检验，得到区域因素演化态势数据；基于评价分数值、泰尔指数和区域因素演化态势数据得到区域因素重心数据。5.根据权利要求4所述的一种基于学习模型的区域因素预测方法，其特征在于：训练后的预测模型基于当前的区域因素数据对数字经济因素和绿色技术创新因素进行综合评价，得到评价分数值，具体包括以下内容：所述预测模型采用时间变量的熵值法确定因素权重，对数字经济因素和绿色技术创新因素进行综合评价，可表示为下式：其中，Gj为信息熵，n为区域内创新型城市数量，l为年份数量，E
ij
表示第i年j指标的标准化值；再计算因素的指标权重，如下式所示：其中，W
j
表示第j项指标权重；基于因素的指标权重计算综合指数：
其中，U
i
为i年的综合指数。6....

【专利技术属性】
技术研发人员：傅为忠，王丹，潘玉，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：