一种基于深度学习的景气指数预测的方法和系统与流程

本发明涉及景气指数预测领域，尤其是一种基于深度学习的景气指数预测的方法和系统。

背景技术：

众所周知的：景气指数，是对企业景气调查中的定性指标通过定量方法加工汇总，综合反映某一特定调查群体或某一社会现象所处的状态或发展趋势的一种指标。景气指数仅能反映当前企业或者行业的经济景气情况，不具备预测未来的经济景气指数情况，在制定未来的决策指标时，景气指数所给的数据支撑有限，为此我们需要一种可以准确预测未来景气指数的方法和系统。

传统的景气指数预测方法是依据历史经验，制定指标参数和权重，且权重是固定值，建立预测模型，依据指标和权重核算出一个预测值，受历史经验和人员水平局限，预测效果不佳，同时受人工制定指标的时间因素影响，不能依据实际情况更新指标参数和权重。

技术实现要素：

本发明所要解决的技术问题是提供一种能够在进行景气指数预测时，模型依据自动调优的最优指标参数和权重值进行景气指数预测，进而获得最准确的景气指数预测值的基于深度学习的景气指数预测的方法和系统。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习的景气指数预测的方法，包括以下步骤：

s1、获取行业景气指数和历史数据；

通过建立爬虫算法收集多维度数据；所述多维度数据包括居民消费价格指数、工业品出厂价格指数、国内生产总值、采购人经理指数、城镇固定资产投资、房价指数、工业增加值增长、企业商品价格指数、消费者信心指数、社会消费品零售总额、货币供应量、海关进出口、股票交易统计、外汇和黄金储备、交易结算资金、外商直接投资数据、财政收入、全国税收收入、新增信贷数据、银行间拆借利率、本外币存款、外汇贷款、存款准备金、利率调整、油价、行业指数、美国、日本、德国、瑞士、英国、澳大利亚的gpd数据、企业基础数据；

s2、建立深度学习模型；

提取各类原始多维度数据的特征值，基于神经网络进行特征融合，建立特征提取网络，进而建立景气指数预测模型；

s3、依据深度学习仿真模型及迁移学习进行模型训练；

基于股票数据对景气指数预测模型进行预训练，训练一个特征提取网络，然后对企业景气指数模型进行微调；

s4、模型评估；

将已经进行数据统计后年份的数据进行模拟；将n年的数据作为训练数据；将n+1年的数据作为模型评估数据；将得到的n+1年的评估数据与n+1年的实际数据进行比较；当误差大于5％，重复步骤s2和步骤s4直到误差小于或者等于5％；则符合预测要求；

s5、景气指数预测，依据历史数据，通过深度学习仿真模型，按月、季度和年的时间维度，预测未来景气指数，系统输出景气指数预测值。

具体的，所述行业指数包括农林牧渔、能源、交通运输、信息技术、餐饮旅游酒店、房地产及建筑业、金融业、批发零售、制造开发投资、电力电信、石油化工、电子电器、钢铁、有色金属、建材家具。

具体的，在步骤s2中提取各类原始多维度数据的特征值，采用以下方法：east波形数据特征值提取方法。

具体的，在步骤s2中建立景气指数预测模型；采用以下方法：一种基于rs-lssvm的经济景气指数预测模型的方法。

具体的，在步骤s3中运用迁移学习对企业景气指数模型进行微调；

本发明还公开了一种基于深度学习的景气指数预测方法的系统，包括数据采集模块、数据处理模块、数据训练模块、对比评估模块、数据输出模块；

所述数据采集模块用于采集行业景气指数和历史数据；

所述数据处理模块用于提取各类原始多维度数据的特征值，基于神经网络进行特征融合，建立特征提取网络，进而建立景气指数预测模型；

所述数据训练模块用于基于股票数据对景气指数预测模型进行预训练，训练一个特征提取网络，然后运用迁移学习对企业景气指数模型进行微调；

所述对比评估模块用于将已经进行数据统计后年份的数据进行模拟；将n年的数据作为训练数据；将n+1年的数据作为模型评估数据；将得到的n+1年的评估数据与n+1年的实际数据进行比较；当误差小于或者等于5％；则符合预测要求；

所述数据输出模块用于依据历史数据，通过深度学习仿真模型，按月、季度和年的时间维度，预测未来景气指数，系统输出景气指数预测值。

具体的，所述数据采集模块采用智能485数据采集模块进行人工智能数据采集。

具体的，所述数据处理模块采用ts250塔式服务器。

具体的，所述数据训练模块采用英伟达volta架构芯片，所述对比评估模块采用lm324，所述数据输出模块采用艾莫迅modbus-rtu协议14路输出rs485通信模块。

本发明的有益效果是：本发明所述的一种基于深度学习的景气指数预测的方法和系统，采用深度学习算法制定预测模型，在输入模型所需的原始数据后，深度学习算法自动建立指标参数，自动确立权重值，进而制定深度学习算法模型。模型依据历史数据进行模拟仿真，在模拟仿真的过程中自动调优指标参数和权重值。在进行景气指数预测时，模型依据自动调优的最优指标参数和权重值进行景气指数预测，进而获得最准确的景气指数预测值。

附图说明

图1为本发明实施例中基于深度学习的景气指数预测的方法逻辑框图；

图2为本发明实施例中基于深度学习的景气指数预测系统的结构示意图；

图3为本发明实施例中实施例中评估数据图；

图中标示：100-数据采集模块；200-数据处理模块；300-数据训练模块；400-对比评估模块；500-数据输出模块。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

如图1所示，本发明所述的一种基于深度学习的景气指数预测的方法，包括以下步骤：

s1、获取行业景气指数和历史数据；

通过建立爬虫算法收集多维度数据；所述多维度数据包括居民消费价格指数、工业品出厂价格指数、国内生产总值、采购人经理指数、城镇固定资产投资、房价指数、工业增加值增长、企业商品价格指数、消费者信心指数、社会消费品零售总额、货币供应量、海关进出口、股票交易统计、外汇和黄金储备、交易结算资金、外商直接投资数据、财政收入、全国税收收入、新增信贷数据、银行间拆借利率、本外币存款、外汇贷款、存款准备金、利率调整、油价、行业指数、美国、日本、德国、瑞士、英国、澳大利亚的gpd数据、企业基础数据；具体的，所述行业指数包括农林牧渔、能源、交通运输、信息技术、餐饮旅游酒店、房地产及建筑业、金融业、批发零售、制造开发投资、电力电信、石油化工、电子电器、钢铁、有色金属、建材家具等。

s2、建立深度学习模型；

提取各类原始多维度数据的特征值，基于神经网络进行特征融合，建立特征提取网络，进而建立景气指数预测模型；

s3、依据深度学习仿真模型及迁移学习进行模型训练；

基于股票数据对景气指数预测模型进行预训练，训练一个特征提取网络，然后运用迁移学习对企业景气指数模型进行微调；

s4、模型评估；

将已经进行数据统计后年份的数据进行模拟；将n年的数据作为训练数据；将n+1年的数据作为模型评估数据；将得到的n+1年的评估数据与n+1年的实际数据进行比较；当误差大于5％，重复步骤s2和步骤s4直到误差小于或者等于5％；则符合预测要求；

s5、景气指数预测，依据历史数据，通过深度学习仿真模型，按月、季度和年的时间维度，预测未来景气指数，系统输出景气指数预测值。

具体的，在步骤s2中提取各类原始多维度数据的特征值，采用以下方法：east波形数据特征值提取方法。

在步骤s2中建立景气指数预测模型；采用以下方法：一种基于rs-lssvm的经济景气指数预测模型的方法。在步骤s3中运用迁移学习对企业景气指数模型进行微调；

本发明还公开了一种基于深度学习的景气指数预测方法的系统，包括数据采集模块100、数据处理模块200、数据训练模块300、对比评估模块400、数据输出模块500；

所述数据采集模块100用于采集行业景气指数和历史数据；

所述数据处理模块200用于提取各类原始多维度数据的特征值，基于神经网络进行特征融合，建立特征提取网络，进而建立景气指数预测模型；

所述数据训练模块300用于基于股票数据对景气指数预测模型进行预训练，训练一个特征提取网络，然后运用迁移学习对企业景气指数模型进行微调；

所述对比评估模块400用于将已经进行数据统计后年份的数据进行模拟；将n年的数据作为训练数据；将n+1年的数据作为模型评估数据；将得到的n+1年的评估数据与n+1年的实际数据进行比较；当误差小于或者等于5％；则符合预测要求；

所述数据输出模块500用于依据历史数据，通过深度学习仿真模型，按月、季度和年的时间维度，预测未来景气指数，系统输出景气指数预测值。

具体的，所述数据采集模块100采用智能485数据采集模块进行人工智能数据采集。

具体的，所述数据处理模块200采用ts250塔式服务器。

具体的，所述数据训练模块300采用英伟达volta架构芯片，所述对比评估模块400采用lm324，所述数据输出模块500采用艾莫迅modbus-rtu协议14路输出rs485通信模块。

实施例

通过本申请所述的一种基于深度学习的景气指数预测的方法和系统，对景气指数的预测；

1、获取行业景气指数和历史数据；

本发明通过建立爬虫算法收集多维度数据，居民消费价格指数、工业品出厂价格指数、国内生产总值、采购人经理指数、城镇固定资产投资、房价指数、工业增加值增长、企业商品价格指数、消费者信心指数、社会消费品零售总额、货币供应量、海关进出口、股票交易统计、外汇和黄金储备、交易结算资金、外商直接投资数据、财政收入、全国税收收入、新增信贷数据、银行间拆借利率、本外币存款、外汇贷款、存款准备金、利率调整、油价、行业指数(农林牧渔、能源、交通运输、信息技术、餐饮旅游酒店、房地产及建筑业、金融业、批发零售、制造开发投资、电力电信、石油化工、电子电器、钢铁、有色金属、建材家具等)、美国日本德国瑞士英国澳大利亚等国gpd数据、企业基础数据。

2、建立深度学习模型；

提取各类原始数据的特征值，基于神经网络进行特征融合，建立特征提取网络，进而建立景气指数预测模型。

3、依据深度学习仿真模型及迁移学习进行模型训练；

因企业景气指数历史数据太少，如果直接采用此数据训练，容易造成模型过拟合，于是基于股票数据对模型进行预训练，训练一个特征提取网络，然后运用迁移学习对企业景气指数模型进行微调；如图2所示。

4、模型评估；

以2005年第1季度～2015年4季度为训练数据，2016年第1季度到2018年4季度作为模型评估数据，评估结果如图3所示(预测误差小于5％)。

5、景气指数预测，依据历史数据，通过深度学习仿真模型，按月、季度和年的时间维度，预测未来景气指数，系统输出景气指数预测值。