一种基于倒向回归方程的应用电力大数据预测GDP的方法与流程

技术特征：

1.一种基于倒向回归方程的应用电力大数据预测GDP的方法，其特征在于，包括如下步骤：

步骤1、采集历史数据：

A)采集待预测地区工业企业历史用电量数据，数据的频率为季度；

B)计算每个季度的平均气温的中位数；

C)计算每个季度节假日的天数；

D)计算每个季度待预测地区的工业品出厂价格指数；

步骤2、进行变量设置：

A)设置工业企业用电量增长率e_t＝log(E_t/E_t-1)，E_t表示第t期的工业企业用电量；

B)设置GDP的增长率gdp_t＝log(GDP_t/GDP_t-1)，GDP_t表示第t期的GDP；

C)设置每个季度平均气温的上升幅度te_t＝log(Te_t/Te_t-1)，Te_t表示第t期的季度平均气温；

D)对于每个季度，若属于高温季度，则设置高温虚拟变量MH＝1，否则MH＝0；

E)对于每个季度，若属于低温季度，则设置低温虚拟变量ML＝1，否则ML＝0；

F)设置工业品出厂价格指数的增长率ppi_t＝log(PPI_t/PPI_t-1)，PPI_t表示第t期的工业品出厂价格指数；

G)设置每个季度的节假日天数变量Dt；

H)对于每个季度，若存在5-7天长假，则设置假期虚拟变量LH＝1，否则为0；

步骤3、对工业企业用电量、GDP进行对数差分处理；

步骤4、设置正向回归方程并进行参数估计：

e_t＝β₀+β₁gdp_t+β₂te_t+β₃MH_t+β₄ML_t+β₅D_t+β₆LH+β₇ppi_t+ξ_t (1)

式中，β₀,β₁,...,β₇是回归系数的估计值，ξ_t是最小二乘法中的误差项；

采用最小二乘法估计出β₀,β₁,...,β₇；

加入用电量增长率一阶滞后变量β₈e_t-1和二阶滞后变量β₉e_t-2，设置如下线性回归方程：

e_t＝β₀+β₁gdp_t+β₂te_t+β₃MH_t+β₄ML_t+β₅D_t+β₆LH+β₇ppi_t+β₈e_t-1+β₉e_t-2+ξ_t (4)

步骤5、利用估计的参数推导倒向回归方程模型：

由方程(1)可知GDP增长率的预测值gdp_t：

$\begin{array}{c}{\mathrm{gdp}}_t=\frac{1}{{\mathrm{\β}}_1}\[e_t-{\mathrm{\β}}_0-{\mathrm{\β}}_2{\mathrm{te}}_t-{\mathrm{\β}}_3{\mathrm{MH}}_t-{\mathrm{\β}}_4{\mathrm{ML}}_t-{\mathrm{\β}}_5{D}_t-{\mathrm{\β}}_{6}LH-{\mathrm{\β}}_7{\mathrm{ppi}}_t-{\mathrm{\ξ}}_t\]\\ =\frac{e_t}{{\mathrm{\β}}_1}-\frac{1}{{\mathrm{\β}}_1}\[{\mathrm{\β}}_0+{\mathrm{\β}}_2{\mathrm{te}}_t+{\mathrm{\β}}_3{\mathrm{MH}}_t+{\mathrm{\β}}_4{\mathrm{ML}}_t+{\mathrm{\β}}_5{D}_t+{\mathrm{\β}}_{6}LH+{\mathrm{\β}}_7{\mathrm{ppi}}_t+{\mathrm{\ξ}}_t\]\end{array}---\left(5\right)$

则下一期GDP的预测值GDP_t+1的计算公式为：

GDP_t+1＝GDP_t·exp(gdp_t+1) (7)。

2.根据权利要求1所述的一种基于回归方程的应用电力大数据预测GDP的方法，其特征在于，当待预测地区为江苏省时，采用最小二乘法估计出β₀,β₁,...,β₇，则方程(1)对应为：

$\begin{array}{c}{e}_t=0.064329+0.006007{\mathrm{gdp}}_t+0.120598{\mathrm{te}}_t+0.035119{\mathrm{MH}}_t\\ +0.036952{\mathrm{ML}}_t-0.004956D_t+0.041132LH+0.499193{\mathrm{ppi}}_t+{\mathrm{\ξ}}_t\end{array}---\left(2\right).$

3.根据权利要求1所述的一种基于回归方程的应用电力大数据预测GDP的方法，其特征在于，设置以待预测季度为基准，向前取个季度的数据作为窗口，对每个季度的数据估计一次参数β₀,β₁,...,β₇的估计值，用于预测待预测季度的GDP。

4.根据权利要求3所述的一种基于回归方程的应用电力大数据预测GDP的方法，其特征在于，