一种规上工业增加值增速预测方法、装置、设备及存储介质与流程

1.本发明涉及信息预测技术领域，尤其涉及一种规上工业增加值增速预测方法、装置、设备及存储介质。


背景技术：

2.规模以上工业增加值增速(简称规上工业增加值增速)现已经成为国家经济的重要指标之一，拉动中国经济的三大产业中，大型工业企业在其中占有重要地位，该指标也是衡量城市竞争力的重要指标。未来的规上工业增加值增速为政府判断大型企业及城市经济发展的重要参考信息，而如何准确预测未来的规上工业增加值增速是目前亟需解决的问题。


技术实现要素：

3.有鉴于此，本发明提供了一种规上工业增加值增速预测方法、装置、设备及存储介质，用以准确预测未来的规上工业增加值增速，其技术方案如下：
4.一种规上工业增加值增速预测方法，包括：
5.获取指标集合中各指标分别对应的历史指标数据序列，其中，所述指标集合中的各指标为与规上工业增加值增速相关的指标，所述历史指标数据序列为对应指标在若干历史时间点的指标数据组成的序列；
6.基于所述指标集合中各指标分别对应的历史指标数据序列，从所述指标集合中筛选目标指标，其中，所述目标指标对规上工业增加值增速的影响大于非目标指标对规上工业增加值增速的影响；
7.基于筛选出的若干目标指标分别对应的历史指标数据序列，预测所述若干目标指标在未来时间点的指标数据；
8.基于所述若干目标指标在未来时间点的指标数据，预测所述未来时间点的规上工业增加值增速。
9.可选的，所述基于所述指标集合中各指标分别对应的历史指标数据序列，从所述指标集合中筛选目标指标，包括：
10.结合所述指标集合中各指标分别对应的历史指标数据序列，构建以规上工业增加值增速为因变量，以所述指标集合中各指标分别对应的指标权重为自变量的的目标函数，并针对所述目标函数构建约束条件，其中，所述约束条件用于使所述指标集合中各指标分别对应的指标权重的绝对值之和小于或等于约束强度值；
11.结合所述约束条件，寻找使所述目标函数最小的指标权重；基于使所述目标函数最小的指标权重从所述指标集合中确定目标指标。
12.可选的，所述基于筛选出的若干目标指标分别对应的历史指标数据序列，预测所述若干目标指标在未来时间点的指标数据，包括：
13.针对每个目标指标，检测该目标指标对应的历史指标数据序列是否为平稳序列，
若是，则将该目标指标对应的历史指标数据序列作为该指标对应的目标序列，若否，则将该目标指标对应的历史指标数据序列处理为平稳序列，处理后的序列作为该目标指标对应的目标序列；
14.基于所述若干目标指标分别对应的目标序列，预测所述若干目标指标在未来时间点的指标数据。
15.可选的，所述将该目标指标对应的历史指标数据序列处理为平稳序列，包括：
16.对该目标指标对应的历史指标数据序列进行一阶或多阶差分处理，差分处理后的序列作为该目标指标对应的目标序列。
17.可选的，所述基于所述若干目标指标分别对应的目标序列，预测所述若干目标指标在未来时间点的指标数据，包括：
18.针对每个目标指标：
19.基于该目标指标对应的目标序列，以及该目标指标对应的差分情况，构建该目标指标对应的指标数据预测模型，其中，所述差分情况指的是，是否对对应的目标指标对应的历史数据序列进行了差分处理，以及进行了差分处理时的差分阶数；
20.将该目标指标对应的目标序列输入该目标指标对应的指标数据预测模型，得到该目标指标对应的指标数据预测模型输出的该目标指标在未来时间点的指标数据。
21.可选的，所述基于该目标指标对应的目标序列，以及该目标指标对应的差分情况，构建该目标指标对应的指标数据预测模型，包括；
22.基于该目标指标对应的目标序列，确定第一模型参数和第二模型参数；
23.基于该目标指标对应的差分情况，确定第三模型参数；
24.基于所述第一模型参数、所述第二模型参数和所述第三模型参数，生成该目标指标对应的指标数据预测模型。
25.可选的，所述基于该目标指标对应的目标序列，确定第一模型参数和第二模型参数，包括：
26.对该目标指标对应的目标序列计算偏自相关系数，基于所述偏自相关系数绘制偏自相关图，基于所述偏自相关图确定第一模型参数；
27.对该目标指标对应的目标序列计算自相关系数，基于所述自相关系数绘制自相关图，基于所述自相关图确定第二模型参数。
28.可选的，所述基于该目标指标对应的差分情况，确定第三模型参数，包括：
29.若未对该目标指标对应的历史指标数据序列进行差分处理，则确定第三模型参数为0；
30.若对该目标指标对应的历史指标数据序列进行了差分处理，则确定第三模型参数为差分阶数。
31.可选的，所述基于所述若干目标指标在未来时间点的指标数据，预测所述未来时间点的规上工业增加值增速，包括：
32.将所述若干目标指标在未来时间点的指标数据输入规上工业增加值增速预测模型，得到所述规上工业增加值增速预测模型输出的所述未来时间点的规上工业增加值增速；
33.其中，所述规上工业增加值增速预测模型采用若干训练样本和所述若干训练样本
分别对应的样本标签训练得到，每个训练样本为所述若干目标指标在所述若干历史时间点中一历史时间点的指标数据，每个训练样本对应的样本标签为对应训练样本对应的历史时间点的真实规上工业增加值增速。
34.可选的，所述的规上工业增加值增速预测方法，还包括：
35.在训练得到所述规上工业增加值增速预测模型后，每获得所述若干目标指标在最新时间点的指标数据和所述最新时间点的规上工业增加值增速后，利用所述若干目标指标在最新时间点的指标数据和所述最新时间点的规上工业增加值增速优化所述规上工业增加值增速预测模型。
36.一种规上工业增加值增速预测装置，包括：数据获取模块、指标筛选模块、指标数据预测模块和规上工业增加值增速预测模块；
37.所述数据获取模块，用于获取指标集合中各指标分别对应的历史指标数据序列，其中，所述指标集合中的各指标为与规上工业增加值增速相关的指标，所述历史指标数据序列为对应指标在若干历史时间点的指标数据组成的序列；
38.所述指标筛选模块，用于基于所述指标集合中各指标分别对应的历史指标数据序列，从所述指标集合中筛选目标指标，其中，所述目标指标对规上工业增加值增速的影响大于非目标指标对规上工业增加值增速的影响；
39.所述指标数据预测模块，用于基于筛选出的若干目标指标分别对应的历史指标数据序列，预测所述若干目标指标在未来时间点的指标数据；
40.所述规上工业增加值增速预测模块，用于基于所述若干目标指标在未来时间点的指标数据，预测所述未来时间点的规上工业增加值增速。
41.一种规上工业增加值增速预测设备，包括：存储器和处理器；
42.所述存储器，用于存储程序；
43.所述处理器，用于执行所述程序，实现上述任一项所述的规上工业增加值增速预测方法的各个步骤。
44.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述任一项所述的规上工业增加值增速预测方法的各个步骤。
45.本发明提供的规上工业增加值增速预测方法、装置、设备及存储介质，首先获取指标集合中各指标分别对应的历史指标数据序列，然后基于指标集合中各指标分别对应的历史指标数据序列，从指标集合中筛选对规上工业增加值增速的影响较大的指标，即目标指标，接着基于筛选出的若干目标指标分别对应的历史指标数据序列，预测若干目标指标在未来时间点的指标数据，最后基于若干目标指标在未来时间点的指标数据，预测未来时间点的规上工业增加值增速。本发明采用与规上工业增加值增速相关的各指标中的关键指标对应的历史指标数据序列，预测各关键指标在未来时间点的指标数据，进而基于各关键指标在未来时间点的指标数据，预测未来时间点的规上工业增加值增速，经由本发明提供的预测方法能够预测出较为准确的规上工业增加值增速。
附图说明
46.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
47.图1为本发明实施例提供的规上工业增加值增速预测方法的流程示意图；
48.图2为本发明实施例提供的基于筛选出的若干目标指标分别对应的历史指标数据序列，预测若干目标指标在未来时间点的指标数据的流程示意图；
49.图3为本发明实施例提供的一数据序列和该数据序列的一阶差分结果和二阶差分结果的平稳性示意图；
50.图4为本发明实施例提供的规上工业增加值增速预测装置的结构示意图；
51.图5为本发明实施例提供的规上工业增加值增速预测设备的结构示意图。
具体实施方式
52.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.本案发明人在实现本案的过程中发现，目前存在一些规上工业增加值增速预测方法，这些方法大多为基于传统统计学的预测方案，由于诸多因素，比如数据维度缺失、算法不成熟等导致基于传统统计学的预测方案无法预测出较为准确的规上工业增加值增速。
54.有鉴于此，本案发明人进行了研究，通过不断研究，最终提出一种规上工业增加值增速预测方法，该方法能够较为准确地预测出未来时间点的规上工业增加值增速。
55.在介绍本发明提供的规上工业增加值增速预测方法之前，先对本发明涉及的硬件架构进行说明。
56.在一种可能的实现方式中，本发明涉及的硬件架构可以包括：电子设备和服务器。
57.示例性的，电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，pc、笔记本、平板电脑、掌上电脑、手机等。
58.示例性的，服务器可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务器中心。服务器可以包括处理器、存储器以及网络接口等。
59.示例性的，电子设备可以通过无线通信网络与服务器建立连接并通信；示例性的，电子设备可以通过有线通信网络与服务器建立连接并通信。
60.电子设备可将与规上工业增加值增速相关的各指标分别对应的历史指标数据序列发送至服务器，服务器按本发明提供的规上工业增加值增速预测方法预测未来时间点的规上工业增加值增速，将未来时间点的规上工业增加值增速发送至电子设备。
61.在另一种可能的实现方式中，本发明涉及的硬件架构可以包括：电子设备。电子设备为具有较强数据处理能力的电子产品，例如，pc、笔记本、平板电脑、掌上电脑、手机等。电子设备按本发明提供的规上工业增加值增速预测方法预测未来时间点的规上工业增加值增速。
62.本领域技术人员应能理解上述电子设备和服务器仅为举例，其它现有的或今后可能出现的电子设备或服务器如可适用于本发明，也应包含在本发明保护范围以内，并在此以引用方式包含于此。
63.接下来通过下述实施例对本发明提供的规上工业增加值增速预测方法进行介绍。
64.第一实施例
65.请参阅图1，示出了本发明实施例提供的规上工业增加值增速预测方法的流程示意图，可以包括：
66.步骤s101：获取指标集合中各指标分别对应的历史指标数据序列。
67.其中，指标集合中的各指标为与规上工业增加值增速相关的指标。可选的，指标集合中可以包括以下指标中的部分或全部：市用电量、工业行业用电量、规上工业销售产值、规上工业企业亏损额、规上工业企业利润总额等。
68.其中，历史指标数据序列为对应指标在若干历史时间点的指标数据组成的序列。示例性的，一指标为a，若干历史时间点为1月、2月、3月、4月、5月、6月、7月，指标a在1月的指标数据为d1，指标a在2月的指标数据为d2，
…
，指标a在7月的指标数据为d7，则指标a对应的历史指标数据序列为{d1，d2，d3，d4，d5，d6，d7}。需要说的是，历史时间点的数量可根据具体情况设定。
69.具体的，获取指标集合中各指标分别对应的历史指标数据序列的过程可以包括：针对指标集合中的每个指标，采集该指标在若干历史时间点的指标数据，以得该指标对应的初始历史指标数据序列，对该指标对应的初始历史指标数据序列进行预处理，预处理后的序列作为该指标最终对应的历史指标数据序列。
70.对初始历史指标数据序列进行的预处理可以但不限定为包括空值处理等。其中，空值处理指的是，在初始历史指标数据序列中缺少某个历史时间点的指标数据时，补充缺少的指标数据，示例性的，若干历史时间点为1月、2月、3月、4月、5月、6月、7月，未采集到指标a在4月的指标数据，则可将指标a在3月的指标数据与指标a在5月的指标数据求均值，求得到的均值作为指标a在4月的指标数据。
71.步骤s102：基于指标集合中各指标分别对应的历史指标数据序列，从指标集合中筛选目标指标。
72.其中，目标指标对规上工业增加值增速的影响大于非目标指标对规上工业增加值增速的影响。即，经由步骤s102获得的目标指标为指标集合中对规上工业增加值增速影响较大的指标，即关键指标。
73.步骤s103：基于筛选出的若干目标指标分别对应的历史指标数据序列，预测若干目标指标在未来时间点的指标数据。
74.示例性的，指标集合中包括指标a、b、c、d、e、f，从指标集合中筛选出的目标指标为a、b、c、d，若干历史时间点为1月、2月、3月、4月、5月、6月、7月，则步骤s103的目的在于，基于目标指标a、b、c、d分别对应的历史指标数据序列，预测目标指标a、b、c、d在8月的指标数据。
75.具体的，针对每个目标指标，根据该目标指标对应的历史指标数据序列，预测该目标指标在未来时间点的指标数据。上述示例中，基于目标指标a、b、c、d分别对应的历史指标数据序列，预测目标指标a、b、c、d在8月的指标数据，即基于目标指标a对应的历史指标数据序列，预测目标指标a在8月的指标数据，基于目标指标b对应的历史指标数据序列，预测目标指标b在8月的指标数据，基于目标指标c对应的历史指标数据序列，预测目标指标c在8月的指标数据，基于目标指标d对应的历史指标数据序列，预测目标指标d在8月的指标数据。
76.步骤s104：基于若干目标指标在未来时间点的指标数据，预测未来时间点的规上
工业增加值增速。
77.示例性的，指标集合中包括指标a、b、c、d、e、f，从指标集合中筛选出的目标指标为a、b、c、d，若干历史时间点为1月、2月、3月、4月、5月、6月、7月，在预测得到目标指标a、b、c、d在8月的指标数据后，可基于目标指标a、b、c、d在8月的指标数据预测8月的规上工业增加值增速。
78.本发明实施例提供的规上工业增加值增速预测方法，首先获取指标集合中各指标分别对应的历史指标数据序列，然后基于指标集合中各指标分别对应的历史指标数据序列，从指标集合中筛选对规上工业增加值增速的影响较大的指标，即目标指标，接着基于筛选出的若干目标指标分别对应的历史指标数据序列，预测若干目标指标在未来时间点的指标数据，最后基于若干目标指标在未来时间点的指标数据，预测未来时间点的规上工业增加值增速。本发明采用与规上工业增加值增速相关的各指标中的关键指标对应的历史指标数据序列，预测各关键指标在未来时间点的指标数据，进而基于各关键指标在未来时间点的指标数据，预测未来时间点的规上工业增加值增速，本发明实施例提供的预测方法能够预测出较为准确的规上工业增加值增速。
79.第二实施例
80.本实施例重点对上述实施例中“步骤s102：基于指标集合中各指标分别对应的历史指标数据序列，从指标集合中筛选目标指标”的具体实现过程进行介绍。
81.基于指标集合中各指标分别对应的历史指标数据序列，从指标集合中筛选目标指标的过程可以包括：结合指标集合中各指标分别对应的历史指标数据序列、构建以规上工业增加值增速为因变量，以指标集合中各指标分别对应的指标权重为自变量的的目标函数，并针对目标函数构建约束条件；结合约束条件，寻找使目标函数最小的指标权重；基于使目标函数最小的指标权重从指标结合中确定目标指标。其中，约束条件用于使指标集合中各指标分别对应的指标权重的绝对值之和小于或等于约束强度值。
82.可选的，目标函数和约束条件如下：
83.目标函数：
84.约束条件：
85.其中，yi为因变量，即规上工业增加值增速，为自变量，即指标集合中第j个指标对应的指标权重，x
ij
为第j个指标的第i个数据点，s为约束强度值，在使最小化的过程中，不重要的指标对应的指标权重会变为0。
86.可选的，在结合约束条件，寻找使目标函数最小的指标权重时，可采用坐标轴下降法或者最小角回归法寻找。
87.经由上述过程可从指标集合中筛选出若干目标指标。
88.第三实施例
89.本实施例重点对上述实施例中“步骤s102：基于筛选出的若干目标指标分别对应
的历史指标数据序列，预测若干目标指标在未来时间点的指标数据”的具体实现过程进行介绍。
90.请参阅图2，示出了基于筛选出的若干目标指标分别对应的历史指标数据序列，预测若干目标指标在未来时间点的指标数据的流程示意图，可以包括：
91.步骤s201：针对每个目标指标，执行：
92.步骤s2011、检测该目标指标对应的历史指标数据序列是否为平稳序列，若是，则执行s2012a，若否，则执行步骤s2012b。
93.需要说明的是，平稳是指数据围绕着一个常数上下波动且波动范围有限，即有常数均值和常数方差。
94.可选的，检测该目标指标对应的历史指标数据序列是否为平稳序列的过程可以包括：检验该目标指标对应的历史指标数据序列是否存在单位根，若是，则确定该目标指标对应的历史指标数据序列为非平稳序列，若否，则确定该目标指标对应的历史指标数据序列为平稳序列。
95.可选的，可对该目标指标对应的历史指标数据序列进行adf检验，以得到检验统计量adf值和p_value值，若adf值小于预设的第一阈值(比如5％)，且p_value值小于预设的第二阈值(比如0.01)，则可确定该目标指标对应的历史指标数据序列为平稳序列，否则，确定该目标指标对应的历史指标数据序列为非平稳序列。
96.步骤s2012a：将该目标指标对应的历史指标数据序列作为该指标对应的目标序列。
97.在该目标指标对应的历史指标数据序列为平稳序列的情况下，直接将该目标指标对应的历史指标数据序列作为该指标对应的目标序列。
98.步骤s2012b：将该目标指标对应的历史指标数据序列处理为平稳序列，处理后的序列作为该目标指标对应的目标序列。
99.在该目标指标对应的历史指标数据序列为非平稳序列的情况下，需要将该目标指标对应的非平稳历史指标数据序列处理成平稳序列，将处理后的序列作为该目标指标对应的目标序列。
100.可选的，将该目标指标对应的历史指标数据序列处理为平稳序列，处理后的序列作为该目标指标对应的目标序列的过程可以包括：对该目标指标对应的历史指标数据序列进行一阶或多阶差分处理，差分处理后的序列作为该目标指标对应的目标序列。
101.示例性的，该目标指标对应的历史指标数据序列为{d1，d2，d3，d4，d5，d6，d7}，对其进行差分处理的过程为：计算d
2-d1(差值结果表示为d1)、d
3-d2(差值结果表示为d2)、d
4-d3(差值结果表示为d3)、d
5-d4(差值结果表示为d4)、d
6-d5(差值结果表示为d5)、d
7-d6(差值结果表示为d6),即一阶差分处理后的序列为{d1，d2，d3，d4，d5，d6}，若{d1，d2，d3，d4，d5，d6}为平稳序列，则将{d1，d2，d3，d4，d5，d6}作为该目标指标对应的目标序列，若{d1，d2，d3，d4，d5，d6}为非平稳序列，则继续对{d1，d2，d3，d4，d5，d6}进行差分处理，计算d
2-d1(差值结果表示为f1)、d
3-d2(差值结果表示为f2)、d
4-d3(差值结果表示为f3)、d
5-d4(差值结果表示为f4)、d
6-d5(差值结果表示为f5)，即二阶差分处理后的序列为{f1，f2，f3，f4，f5}，若{f1，f2，f3，f4，f5}为平稳序列，则将{f1，f2，f3，f4，f5}作为该目标指标对应的目标序列，若{f1，f2，f3，f4，f5}为非平稳序列，则继续对{f1，f2，f3，f4，f5}进行差分，直至差分处理后的序列为平稳序列。
102.请参阅图3，示出了一数据序列和该数据序列的一阶差分结果和二阶差分结果的平稳性示意图，从图3可以看出，差分阶数越大，序列越平稳。
103.步骤s202：基于若干目标指标分别对应目标序列，预测若干目标指标在未来时间点的指标数据。
104.具体的，基于若干目标指标分别对应目标序列，预测若干目标指标在预测未来时间点的指标数据的过程可以包括：针对每个目标指标，执行如下步骤：
105.步骤a1、基于该目标指标对应的目标序列，以及该目标指标对应的差分情况，构建该目标指标对应的指标数据预测模型。
106.其中，差分情况指的是，是否对对应的目标指标对应的历史数据序列进行了差分处理，以及进行了差分处理时的差分阶数。
107.具体的，基于该目标指标对应的目标序列，以及该目标指标对应的差分情况，构建该目标指标对应的指标数据预测模型的过程可以包括：
108.步骤a11、基于该目标指标对应的目标序列，确定第一模型参数和第二模型参数，并基于该目标指标对应的差分情况，确定第三模型参数。
109.其中，基于该目标指标对应的目标序列，确定第一模型参数和第二模型参数，包括：对该目标指标对应的目标序列计算偏自相关系数，基于所述偏自相关系数绘制偏自相关图，基于偏自相关图确定第一模型参数；对该目标指标对应的目标序列计算自相关系数，基于自相关系数绘制自相关图，基于自相关图确定第二模型参数。
110.需要说明的是，第一模型参数由显著不为0的偏自相关系数的数量决定，此时序列的偏自相关图表现为拖尾性。第二模型参数由显著不为0的自相关系数的数量决定，此时序列的自相关图表现为截尾性。拖尾是指以指数率单调或振荡衰减，截尾是指从某个开始非常小。
111.其中，基于该目标指标对应的差分情况，确定第三模型参数的过程可以包括：若未对该目标指标对应的历史指标数据序列进行差分处理(即该目标指标对应的历史指标数据序列为平稳序列)，则确定第三模型参数为0；若对该目标指标对应的历史指标数据序列进行了差分处理，则确定第三模型参数为差分阶数，比如，对该目标指标对应的历史指标数据序列进行了一阶差分，则第三模型参数为1。
112.步骤a12、基于第一模型参数、第二模型参数和第三模型参数，生成该目标指标对应的指标数据预测模型。
113.可选的，指标数据预测模型可以但不限定为arima模型，若指标数据预测模型为arima模型，则第一模型参数为自回归阶数，第二模型参数为移动平均阶数，第三模型参数为将非平稳序列处理成平稳序列时所做的差分次数。若将第一模型参数表示为p，第二模型参数表示为q，第三模型参数表示为d，则arima模型可表示为arima(p，d，q)。
114.步骤a2、将该目标指标对应的目标序列输入该目标指标对应的指标数据预测模型，得到该目标指标对应的指标数据预测模型输出的该指标在未来时间点的指标数据。
115.经由上述过程可获得若干目标指标在未来时间点的指标数据。
116.第四实施例
117.本实施例重点对上述实施例中“步骤s104：基于若干目标指标在未来时间点的指标数据，预测未来时间点的规上工业增加值增速”的具体实现过程进行介绍。
118.基于若干目标指标在未来时间点的指标数据，预测未来时间点的规上工业增加值增速的过程可以包括：将若干目标指标在预测未来时间点的指标数据输入规上工业增加值增速预测模型，得到规上工业增加值增速预测模型输出的未来时间点的规上工业增加值增速。
119.其中，规上工业增加值增速预测模型采用训练集中的若干条训练数据训练得到，训练集中的每条训练数据包括一训练样本和该训练样本对应的样本标签，每个训练样本为若干目标指标在若干历史时间点中一历史时间点的指标数据，每个训练样本对应的样本标签为对应训练样本对应的历史时间点的真实规上工业增加值增速。
120.示例性，若干历史时间点为1月、2月、3月、4月、5月、6月、7月，则训练集中的可以包括若干目标指标在1月的指标数据(训练样本)和1月的真实规上工业增加值增速(样本标签)，若干目标指标在2月的指标数据(训练样本)和2月的真实规上工业增加值增速(样本标签)，
…
。
121.具体的，规上工业增加值增速预测模型的训练过程包括：将训练样本输入规上工业增加值增速预测模型，得到预测的规上工业增加值增速；根据预测的规上工业增加值增速与输入的训练样本对应的样本标签确定预测损失；根据预测损失对规上工业增加值增速预测模型进行参数更新。
122.可选的，可将所有训练数据划分为训练集和测试集(比如划分比例为2:1)，使用训练集中的所有训练数据对规上工业增加值增速预测模型进行一轮训练，然后采用测试集中的测试数据对训练后的规上工业增加值增速预测模型进行测试，若经测试，训练得到的规上工业增加值增速预测模型的性能达到要求，则结束训练，否则继续使用训练集中的所有训练数据对已训练得到的规上工业增加值增速预测模型进行一轮训练，接着采用测试集中的测试数据对当前训练得到的规上工业增加值增速预测模型进行测试，若经测试，当前训练得到的规上工业增加值增速预测模型的性能达到要求，则结束训练，否则继续训练，直至训练得到性能达到要求的规上工业增加值增速预测模型。
123.优选的，在训练得到规上工业增加值增速预测模型后，可在每获得若干目标指标在最新时间点的指标数据和最新时间点的规上工业增加值增速后，利用若干目标指标在最新时间点的指标数据和最新时间点的规上工业增加值增速优化规上工业增加值增速预测模型。
124.比如，若干历史时间点为1月、2月、3月、4月、5月、6月、7月，在获得8月的指标数据和8月的规上工业增加值增速后，可利用8月的指标数据和8月的规上工业增加值增速优化规上工业增加值增速预测模型。
125.第五实施例
126.本发明实施例还提供了一种规上工业增加值增速预测装置，下面对本发明实施例提供的规上工业增加值增速预测装置进行描述，下文描述的规上工业增加值增速预测装置与上文描述的规上工业增加值增速预测方法可相互对应参照。
127.请参阅图4，示出了本发明实施例提供的规上工业增加值增速预测装置的结构示意图，可以包括：数据获取模块401、指标筛选模块402、指标数据预测模块403和规上工业增加值增速预测模块404。
128.数据获取模块401，用于获取指标集合中各指标分别对应的历史指标数据序列。
129.其中，所述指标集合中的各指标为与规上工业增加值增速相关的指标，所述历史指标数据序列为对应指标在若干历史时间点的指标数据组成的序列。
130.指标筛选模块402，用于基于所述指标集合中各指标分别对应的历史指标数据序列，从所述指标集合中筛选目标指标。
131.其中，所述目标指标对规上工业增加值增速的影响大于非目标指标对规上工业增加值增速的影响；
132.指标数据预测模块403，用于基于筛选出的若干目标指标分别对应的历史指标数据序列，预测所述若干目标指标在未来时间点的指标数据。
133.规上工业增加值增速预测模块404，用于基于所述若干目标指标在未来时间点的指标数据，预测所述未来时间点的规上工业增加值增速。
134.可选的，指标筛选模块402在基于所述指标集合中各指标分别对应的历史指标数据序列，从所述指标集合中筛选目标指标时，具体用于：
135.结合所述指标集合中各指标分别对应的历史指标数据序列，构建以规上工业增加值增速为因变量，以所述指标集合中各指标分别对应的指标权重为自变量的的目标函数，并针对所述目标函数构建约束条件，其中，所述约束条件用于使所述指标集合中各指标分别对应的指标权重的绝对值之和小于或等于约束强度值；
136.结合所述约束条件，寻找使所述目标函数最小的指标权重；基于使所述目标函数最小的指标权重从所述指标集合中确定目标指标。
137.可选的，指标数据预测模块403包括：平稳性检测子模块、序列处理子模块、目标序列确定子模块和指标数据预测子模块。
138.平稳性检测子模块，用于针对每个目标指标，检测该目标指标对应的历史指标数据序列是否为平稳序列。
139.序列处理子模块，用于在该目标指标对应的历史指标数据序列为非平稳序列时，则将该目标指标对应的历史指标数据序列处理为平稳序列。
140.目标序列确定子模块，用于在该目标指标对应的历史指标数据序列为平稳序列时，将该目标指标对应的历史指标数据序列确定为该目标指标对应的目标序列，在该目标指标对应的历史指标数据序列为非平稳序列时，将序列处理子模块对该目标指标对应的历史指标数据序列进行处理后得到序列作为该目标指标对应的目标序列。
141.指标数据预测子模块，用于基于所述若干目标指标分别对应的目标序列，预测所述若干目标指标在未来时间点的指标数据。
142.可选的，序列处理子模块，在将该目标指标对应的历史指标数据序列处理为平稳序列时，具体用于对该目标指标对应的历史指标数据序列进行一阶或多阶差分处理，差分处理后的序列作为该目标指标对应的目标序列。
143.可选的，指标数据预测子模块在基于所述若干目标指标分别对应的目标序列，预测所述若干目标指标在未来时间点的指标数据时，具体用于：
144.针对每个目标指标：
145.基于该目标指标对应的目标序列，以及该目标指标对应的差分情况，构建该目标指标对应的指标数据预测模型，其中，所述差分情况指的是，是否对对应的目标指标对应的历史数据序列进行了差分处理，以及进行了差分处理时的差分阶数；
146.将该目标指标对应的目标序列输入该目标指标对应的指标数据预测模型，得到该目标指标对应的指标数据预测模型输出的该目标指标在未来时间点的指标数据。
147.可选的，指标数据预测子模块在所述基于该目标指标对应的目标序列，以及该目标指标对应的差分情况，构建该目标指标对应的指标数据预测模型时，具体用于；
148.基于该目标指标对应的目标序列，确定第一模型参数和第二模型参数；
149.基于该目标指标对应的差分情况，确定第三模型参数；
150.基于所述第一模型参数、所述第二模型参数和所述第三模型参数，生成该目标指标对应的指标数据预测模型。
151.可选的，指标数据预测子模块在基于该目标指标对应的目标序列，确定第一模型参数和第二模型参数时，具体用于：
152.对该目标指标对应的目标序列计算偏自相关系数，基于所述偏自相关系数绘制偏自相关图，基于所述偏自相关图确定第一模型参数；
153.对该目标指标对应的目标序列计算自相关系数，基于所述自相关系数绘制自相关图，基于所述自相关图确定第二模型参数。
154.可选的，指标数据预测子模块在基于该目标指标对应的差分情况，确定第三模型参数时，具体用于：
155.若未对该目标指标对应的历史指标数据序列进行差分处理，则确定第三模型参数为0；
156.若对该目标指标对应的历史指标数据序列进行了差分处理，则确定第三模型参数为差分阶数。
157.可选的，规上工业增加值增速预测模块在基于所述若干目标指标在未来时间点的指标数据，预测所述未来时间点的规上工业增加值增速时，具体用于：
158.将所述若干目标指标在未来时间点的指标数据输入规上工业增加值增速预测模型，得到所述规上工业增加值增速预测模型输出的所述未来时间点的规上工业增加值增速；
159.其中，所述规上工业增加值增速预测模型采用若干训练样本和所述若干训练样本分别对应的样本标签训练得到，每个训练样本为所述若干目标指标在所述若干历史时间点中一历史时间点的指标数据，每个训练样本对应的样本标签为对应训练样本对应的历史时间点的真实规上工业增加值增速。
160.可选的，本发明实施例提供的规上工业增加值增速预测装置还可以包括：模型优化模块。
161.模型优化模块，用于在每获得所述若干目标指标在最新时间点的指标数据和所述最新时间点的规上工业增加值增速后，利用所述若干目标指标在最新时间点的指标数据和所述最新时间点的规上工业增加值增速优化对所述规上工业增加值增速预测模型进行优化。
162.本发明实施例提供的规上工业增加值增速预测装置，采用与规上工业增加值增速相关的各指标中的关键指标对应的历史指标数据序列，预测各关键指标在未来时间点的指标数据，进而基于各关键指标在未来时间点的指标数据，预测未来时间点的规上工业增加值增速，本发明实施例提供的规上工业增加值增速预测装置能够预测出较为准确的规上工
业增加值增速。
163.第六实施例
164.本发明实施例还提供了一种规上工业增加值增速预测设备，请参阅图5，示出了该规上工业增加值增速预测设备的结构示意图，该规上工业增加值增速预测设备可以包括：至少一个处理器501，至少一个通信接口502，至少一个存储器503和至少一个通信总线504；
165.在本发明实施例中，处理器501、通信接口502、存储器503、通信总线504的数量为至少一个，且处理器501、通信接口502、存储器503通过通信总线504完成相互间的通信；
166.处理器501可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
167.存储器503可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
168.其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
169.获取指标集合中各指标分别对应的历史指标数据序列，其中，所述指标集合中的各指标为与规上工业增加值增速相关的指标，所述历史指标数据序列为对应指标在若干历史时间点的指标数据组成的序列；
170.基于所述指标集合中各指标分别对应的历史指标数据序列，从所述指标集合中筛选目标指标，其中，所述目标指标对规上工业增加值增速的影响大于非目标指标对规上工业增加值增速的影响；
171.基于筛选出的若干目标指标分别对应的历史指标数据序列，预测所述若干目标指标在未来时间点的指标数据；
172.基于所述若干目标指标在未来时间点的指标数据，预测所述未来时间点的规上工业增加值增速。
173.可选的，所述程序的细化功能和扩展功能可参照上文描述。
174.第七实施例
175.本发明实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
176.获取指标集合中各指标分别对应的历史指标数据序列，其中，所述指标集合中的各指标为与规上工业增加值增速相关的指标，所述历史指标数据序列为对应指标在若干历史时间点的指标数据组成的序列；
177.基于所述指标集合中各指标分别对应的历史指标数据序列，从所述指标集合中筛选目标指标，其中，所述目标指标对规上工业增加值增速的影响大于非目标指标对规上工业增加值增速的影响；
178.基于筛选出的若干目标指标分别对应的历史指标数据序列，预测所述若干目标指标在未来时间点的指标数据；
179.基于所述若干目标指标在未来时间点的指标数据，预测所述未来时间点的规上工业增加值增速。
180.可选的，所述程序的细化功能和扩展功能可参照上文描述。
181.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将
一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
182.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
183.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。