【技术实现步骤摘要】
一种基于QPSO算法和LSTM模型的数字经济数据处理方法
[0001]本专利技术涉及数据处理领域，特别涉及一种基于QPSO算法和LSTM模型的数字经济数据处理方法。
技术介绍
[0002]随着经济全球化潮流的演变和国际经济结构调整进程的加快，数据处理影响指标越来越多，使得数据处理的难度日趋加大。因此，进行科学数据处理的重要性逐渐凸显出来，准确的数据处理不仅能够对未来经济走势做出量化判断，还能直接服务经济社会的发展，有效防范经济风险。当今世界，由信息革命作为引领，以数据资源作为关键要素的数字经济时代已经来临，数字经济在国民经济中的占比已经达到一定程度，值得广大科研工作者进行持续关注和深入研究。但目前大部分工作聚焦于数字经济的定义、发展水平、监管制度及其对社会的作用等方面，对于数字经济数据处理领域，却少有学者涉及。
技术实现思路
[0003]本专利技术的目的在于提供一种基于QPSO算法和LSTM模型的数字经济数据处理方法，引入LSTM模型对数据进行处理，从深层次挖掘和刻画数字经济数据中存在复杂关系，在此基础上，为...
【技术保护点】
【技术特征摘要】
1.一种基于QPSO算法和LSTM模型的数字经济数据处理方法，其特征在于，通过建立影响数据变化的因素指标体系，结合QPSO算法和LSTM模型，构建组合模型。2.根据权利要求1所述的一种基于QPSO算法和LSTM模型的数字经济数据处理方法，其特征在于，针对影响数据变化的因素指标体系混杂的问题，结合皮尔逊相关系数和随机森林的特征重要性评估思想，对选取相应的数据变化影响因素进行分析，建立数据处理影响因素指标体系。3.根据权利要求2所述的一种基于QPSO算法和LSTM模型的数字经济数据处理方法，其特征在于，通过皮尔逊相关系数得到两个变量间相关性的强弱关系，其基本原理是以依赖度量作为评价函数来衡量特征子集性能，按积差方法来计算，基于两组数据与其各自平均值的离差，两个变量之间的相关程度则借助两个离差相乘的结果来反映，计算结果范围是[
‑
1,1]，其绝对值值越大，两个变量之间相关程度越强，具体公式如下：其中μ表示数学期望，σ表示相关系数，E表示两个变量总体的误差期望，X和Y表示两个变量。4.根据权利要求2所述的一种基于QPSO算法和LSTM模型的数字经济数据处理方法，其特征在于，通过随机森林的方法，以决策树为学习器，其基本原理是在构建每棵决策树时，对训练集进行随机且有放回的抽取，将不涉及决策树构成的数据称为袋外样本OOB，通过计算袋外样本的误差，对影响因素的重要性进行排序，最终实现参数筛选，随机森林具体公式如下：其中n表示决策树的数量，errOOB
i
'表示变量在袋外观测值中的排列改变时第i棵树的袋外样本误差，errOOB
i
表示第i棵树的袋外样本误差，errOOB1表示平均袋外样本误差。5.根据权利要求1所述的一种基于QPSO算法和LSTM模型的数字经济数据处理方法，其特征在于，LSTM模型引入记忆单元用于存储历史信息和门控单元用于添加或移除记忆单元中的信息，具体如下：
①
遗忘门：决定从记忆单元中舍弃多少信息，计算公式如下：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
) (3)其中f
t
表示遗忘门控，σ表示激活函数，W
f
表示权重，b
f
表示阈值，h
t
‑1表示t
‑
1时刻隐藏层输出，x
t
表示当前时刻输入；
②
输入门：决定哪些状态信息添加到记忆单元中，计算公式如下：i＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
) (4)其中i表示输入门控，W
i
表示权重，b
i
表示阈值；
③
更新门：更新记忆单元状态，计算公式如下：
其中C
t
表示记忆单元状态，C
t
‑1表示t
‑
1时刻记忆单元状态，i
t
表示输入门控，表示t时刻的输入门控；
④
输出门：决定记忆单元中哪些状态信息作为输出，计算公式如下：o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
) (6)其中o
t
表示输出门控...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。