[發明專利]一種基于CNN-LSTM的CPI預測模型及方法

在審

• 申請號: 202011585475.3
• 申請日: 2020-12-28
• 公開（公告）號: CN112700038A
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 陸忠華;范祚軍;陳逸東;陳瑤雯;孫永澤;何歡
• 申請（專利權）人: 廣西大學;中國科學院計算機網絡信息中心
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽

1.一種基于CNN-LSTM的CPI預測方法，其特征在于，包括以下步驟：

將所有商品期貨的交易數據拼接成二維面板數據，所述二維面板數據包含空間特征和時間特征；

通過卷積神經網絡的卷積層對每個時刻輸入的二維面板數據采用多個卷積核對面板數據進行掃描，通過卷積運算提取特征，并對提取到的特征進行池化運算，以獲得區域向量；

將獲得的區域向量作為LSTM網絡的輸入，并由LSTM網絡輸出CPI的預測值。

2.根據權利要求1所述的方法，其特征在于，訓練CNN-LSTM預測模型步驟包括：

在網絡預訓練階段，模型采用t₀時刻之前的數據集訓練深度網絡；當訓練完成以后，進入動態訓練和預測階段；對于每一個t_n時刻的數據，CNN-LSTM預測模型采用t_n時刻之前包括t_n時刻的數據作為訓練集訓練網絡，預測[t_n,t_n+T_n)時間段內的CPI值；預測完成之后，滑動時間窗口，采用t_n+1＝t_n+T_n時刻之前的數據訓練網絡；重復上述過程，不斷滑動時間窗口，直至t_N時刻，所有數據預測完成。

3.根據權利要求1所述的方法，其特征在于，測試集上的面版數據和CPI數據損失函數定義為：

其中，X＝{x⁽¹⁾,x⁽²⁾,…,x^(m)}表示m個時刻的面板數據，Y＝{y⁽¹⁾,y⁽²⁾,…,y^(m)}表示每一個時刻CPI的實際值，h(x⁽ⁱ⁾)表示每一個時刻CPI的預測值，m表示一共有m個時刻。

4.根據權利要求1所述的方法，其特征在于，LSTM網絡的預測描述如下：

式中，X_t表示t時刻的面板數據，W_f，W_o，R_f和R_o表示CNN-LSTM網絡的權重，b_o和b_f表示網絡的偏置；f_t、c_t、i_t和o_t分別表示t時刻的遺忘門、記憶儲存、輸入門和輸出門，y_t表示網絡的輸出，也就是CPI的預測值；Tanh代表雙曲線正切函數。

5.一種基于CNN-LSTM的CPI預測模型，其特征在于，包括：網絡預訓練階段和網絡動態訓練和預測階段，在網絡預訓練階段，模型采用t₀時刻之前的數據集訓練深度網絡；當訓練完成以后，進入動態訓練和預測階段；在這個階段，對于每一個t_n時刻的數據，CNN-LSTM預測模型采用t_n時刻之前包括t_n時刻的數據作為訓練集訓練網絡，預測[t_n,t_n+T_n)時間段內的CPI值；預測完成之后，滑動時間窗口，采用t_n+1＝t_n+T_n時刻之前的數據訓練網絡；重復上述過程，不斷滑動時間窗口，直至t_N時刻，所有數據預測完成。

6.根據權利要求1所述的預測模型，其特征在于，還包括BN層和Droupout層。