[發明專利]一種基于深度學習的預測縣級單位時序GDP的方法

在審

• 申請號: 201910940640.3
• 申請日: 2019-09-30
• 公開（公告）號: CN110826689A
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 孫杰;賴祖龍;余俊杰
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q10/04
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 易濱

本發明提供了一種基于深度學習的預測縣級單位時序GDP的方法，包括：首先基于GEE平臺收集和管理研究區域內時間序列的多源遙感數據和縣級矢量邊界數據及年度縣級GDP數據；然后基于GEE平臺進行數據處理，并提出一種基于直方圖統計的特征提取方法，將特征封裝為深度學習所需的張量，按照時間將數據劃分為訓練集和驗證集；再基于卷積神經網絡建立深度學習體系結構，并將數據特征張量輸入到網絡中利用歷史數據進行訓練，保存訓練后的模型；最后將驗證實際數據輸入模型，得到預測結果。本發明所提出的技術方案可以提高預測精度，節省人力成本，有利于幫助相關部門和政府統計到準確的社會經濟數據，從而有針對性的提供產業援助和制定政策。

技術領域

本發明涉及遙感數據地表參數反演技術領域，尤其涉及一種基于深度學習的預測縣級單位時序GDP的方法。

背景技術

國內生產總值(GDP)作為經濟增長分析中最重要的變量，代表了一個國家(或地區)所有常住單位在一定時期內生產活動的最終成果，在評價一個國家或地區的經濟表現方面發揮著重要作用。然而，現存比較嚴重的問題是GDP數據往往被錯誤的衡量，特別是在發展中國家，經濟活動比例不高，區域內的經濟一體化程度較低，基礎設施比較薄弱，這些因素使得相關部門難以統計準確的社會經濟數據、貧困程度以及產業活動占比等等，從而難以幫助相關政府有針對性的提供產業援助和制定政策。即便在部分發達國家，有較完整的統計數據，但由于預測使用的模型都是線性，難以實現對時間序列GDP數據的預測，目前較為常用的線性回歸模型等方法準確率都不高。

相較于傳統統計數據的收集需要消耗大量勞動力和時間，遙感數據更容易獲取，成本更低，并且本身具有多尺度、多種時空分辨率等特點。其中夜間燈光遙感數據DMSP/OLS(Defense Meteorological Satellite Program/Operational Linescan System)，在GDP估算研究中使用的最廣泛。自20世紀90年代末以來，遙感夜光(NTL)衛星圖像已被證明與城市化、經濟活動和人口在內的多種社會經濟參數具有相關性。在缺乏可靠統計數據的國家區域和次級國家區域下，對于探測、估計和監測社會經濟動態尤其有價值。但夜間燈光數據也具有局限性，很難全面準確地表達GDP的空間異質性分布。一方面是由于夜間燈光數據在農業地區的表現能力較差，不能反映無燈光區域(大部分為在農業用地)的GDP貢獻；另一方面在某些強照明的研究區域，例如火力發電等地區，使用夜間燈光數據可能會高估該區域的GDP總量，而在以煤炭和鐵礦石行業為主的地區，GDP的總量則會被低估。此外，由于土地利用動態和城市擴張與經濟潛在驅動力存在聯系，除了燈光數據，中等分辨率衛星數據、地面覆蓋數據等也可以被用來進行GDP估算。已有很多研究證明了多時相的陸地衛星影像與社會經濟數據建模的合理性；綜合利用多種遙感數據，多源數據優勢互補，是GDP估算的新方向。

在特征選擇上，現有方法大多使用均值特征，或者總量特征，然而這些特征只能表達單一的數值信息，并且由于每一個縣級區域內，特征值本身在空間分布上就具有差異，直接取均值或者總量來代替整個區域的特征值，可能會影響到后面訓練的精度結果。而以直方圖的形式提取特征信息，則可以更好的發現特征發布情況，挖掘出更多的特征信息。

在模型的選擇上。目前用遙感數據對GDP進行預測的模型大多都是線性回歸模型，另外一些其他的例如二次多項式模型，冪函數模型也常被拿來建模。但線性模型也存在一定的瑕疵，首先預測結果的精度不是特別高，存在較大誤差，此外就是在對時序GDP預測時，效果不理想。很多研究都發現，在采用時序數據基于線性模型進行預測時，同一年內對空間分布不同的區域的GDP預測效果較好，而在對跨年或時間跨度較大的預測效果很差。