一种基于混合数据和Adam-LSTM模型的宏观经济预测模型及方法与流程

本发明涉及人工智能，尤其涉及一种基于混合数据和adam-lstm模型的宏观经济预测模型及方法。

背景技术：

1、宏观经济是一个综合衡量国家或某个地区经济发展水平的重要指标，研究宏观经济的变化趋势，能够帮助政府、企业和个人快速地做出正确的经济决策。宏观经济本身具有复杂性，受诸多因素影响，其中用电量是一个非常重要的影响因素，但是用电量会受到多种如气象、日期等不同指标的影响而波动，仅考虑一种影响因素得到的经济预测模型的预测结果往往不尽人意。

2、因此，需要使用大数据及信息技术的先进方法，综合考虑多种影响因素，融合多维数据的隐含宏观经济信息，从而获得更加准确的宏观经济预测结果。

技术实现思路

1、针对现有技术的不足，本发明提供一种基于混合数据和adam-lstm模型的宏观经济预测模型及方法，针对宏观经济预测与用电量及气象数据的相关性分析方面，结合相关性分析提取与宏观经济预测相关的关键因素，其次结合adam优化算法和lstm神经网络建立宏观经济预测模型，并提取关键指标，以提高宏观经济预测的精度,解决现有的基于用电量的宏观经济预测方法精度不够的问题。

2、一方面，一种基于混合数据和adam-lstm模型的宏观经济预测模型，具体包括输入层、lstm层、输出层、adam优化器；

3、所述输入层接收输入数据，并将其传递给lstm层；

4、所述lstm层由若干个lstm单元组成，每个lstm单元都有一组输入、输出和记忆门，用于控制信息的流动和记忆，根据输入数据的序列特性，通过内部的记忆门和遗忘门进行信息的传递和遗忘，每个lstm单元都会输出一个隐藏状态，作为下一个时间步的输入；

5、所述输出层将lstm层的输出映射到最终的输出空间，lstm层的最后一个时间步的隐藏状态作为整个序列的特征表示，用于进一步的处理或者作为输出；

6、所述adam优化器使用随机梯度下降adam算法，用于调整模型参数以最小化训练数据上的损失函数；根据输出的预测结果和实际标签之间的误差，计算梯度并更新模型的参数，通过反向传播算法，梯度从输出层传递到输入层，实现参数的优化和学习；

7、另一方面，一种基于混合数据和adam-lstm模型的宏观经济预测方法，基于前述一种基于混合数据和adam-lstm模型的宏观经济预测模型实现，具体包括以下步骤：

8、步骤1：获取初始历史数据；使用预置的数据清洗算法对初始历史数据进行数据预处理，得到清洗完毕的预处理历史数据，计算用电量与历年cpi之间的pearson相关系数：

9、所述初始历史数据包括历史用电量、历史气象数据以及历史消费者物价指数cpi，其中历史气象数据包括平均温度、平均相对湿度以及降水量；

10、所述pearson相关系数的计算公式如下所示：

11、

12、式中，r表示相关系数，n表示样本数量，xi和yi分别表示两个变量的取值。

13、pearson相关系数的绝对值越大，相关性越强，pearson相关系数的正负代表两个数据集是正相关还是负相关；相关系数越接近1或-1，相关性越强，相关性系数越接近于0，相关性越弱。

14、步骤2：搭建lstm神经网络模型，并基于lstm神经网络模型构建关联关系模型；

15、所述关联关系模型是基于lstm神经网络模型的多维输入深度神经网络模型，即在lstm神经网络模型中加入adam算法，形成的adam-lstm模型，其搭建和优化步骤如下：

16、步骤d1：初始化lstm神经网络模型的权重和偏置，具体使用随机初始化或根据先验知识进行初始化；

17、步骤d2：定义损失函数，具体使用均方误差或交叉熵损失函数；

18、步骤d3：针对训练数据，使用lstm神经网络模型进行前向传播，获得预测结果；

19、步骤d4：计算损失函数的值，衡量预测结果与真实标签的差异；

20、步骤d5：使用反向传播算法计算损失函数对于模型参数的梯度；

21、步骤d6：使用adam算法根据梯度更新模型参数，包括权重和偏置；

22、重复步骤d3至d6，直到达到停止条件，例如达到预定的训练迭代次数或损失函数的收敛；

23、所述lstm神经网络模型包含多个lstm单元，每个lstm单元表示一个时间步；每个所述lstm单元包含有输入门、遗忘门和输出门；所述输入门用于接收状态输入的信息，并判断输入的信息中是否包含有需要进入长期状态的第一长期信息，如有则将输入的信息输出到遗忘门，否则忽略相应的输入信息；所述遗忘门用于判断第一长期信息中是否包含需要消去的待消信息，如有则将所述待消信息消去，得到消除待消信息后的第二长期信息，如没有则将所述待消信息保留，否则忽略相应的待消信息；所述输出门用于判断是否需要输出所述第二长期信息，如需要输出则将信息传递给后续lstm单元，如不需要输出则忽略；

24、步骤3：将步骤1中预处理历史数据输入预先调用的lstm神经网络模型中对关联关系模型进行训练，响应于宏观经济预测请求，接收并解析所述宏观经济预测请求中包含的预测指标，其中，所述预测指标包括用电量、平均温度、平均相对湿度以及降水量，对关联关系模型中包含的网络参数进行修正，得到网络参数的修正值；根据所述网络参数的修正值对关联关系模型进行调整，得到宏观经济预测模型；

25、步骤4：在完成关联关系模型训练后，使用adam优化算法作为调节网络模型参数的优化算法，对宏观经济预测模型中包含的网络参数进行修正，得到宏观经济预测值；并选取平均绝对百分比误差mape作为误差评价指标，公式如下：

26、

27、式中，表示预测值，yi表示真实值，n表示样本个数。

28、所述adam优化算法表达式为：

29、

30、

31、

32、

33、ωt+1＝ωt-ygt；(5)

34、其中，t＝1时开始进行权重计算，ωt为第t时刻的权重，t＝1时，ωt为0～1的随机值；gt为第t时刻计算出的梯度；ε为衰减系数，取值为0.1～0.9之间的随机值；mt为t时刻计算出的第一动量，vt为t时刻计算出的第二动量，mt与vt的初始值均为0；m为一阶矩估计；v为二阶矩估计；y为全局学习率，默认值为10-3，y为更新后的学习率。

35、所述adam优化算法步骤如下：

36、步骤s1：初始化全局学习率y、衰减速率ε、初始化第一动量m0＝0，第二动量v0＝0；

37、步骤s2：获取当前权重；

38、步骤s3：记录当下时刻t；

39、步骤s4：由所述式(1)计算所述梯度gt；

40、步骤s5：将梯度gt代入到所述式(2)计算所述t时刻的第一动量mt和所述t时刻计算出的第二动量vt；

41、步骤s6：将:第一动量mt和第二动量vt代入到所述式(3)计算述一阶矩估计m和二阶矩估计v；

42、步骤s7：将所一阶矩估计m和二阶矩估计v代入到所述式(4)计算出更新后的学习率y；

43、步骤s8：将更新后的学习率y代入所述式(5)中计算出下一时刻的权重；

44、采用上述技术方案所产生的有益效果在于：

45、本发明提供一种基于混合数据和adam-lstm模型的宏观经济预测模型及方法，该方法采用混合数据充分考虑不同指标间的相互关联，并利用组合模型对输入数据进行训练，从而使得预测值更加准确，有效提高预测精度。