[發(fā)明專利]一種基于CNN-LSTM的CPI預(yù)測模型及方法

在審

• 申請?zhí)枺?/td>: 202011585475.3
• 申請日: 2020-12-28
• 公開（公告）號: CN112700038A
• 公開（公告）日: 2021-04-23
• 發(fā)明（設(shè)計）人: 陸忠華;范祚軍;陳逸東;陳瑤雯;孫永澤;何歡
• 申請（專利權(quán)）人: 廣西大學(xué);中國科學(xué)院計算機網(wǎng)絡(luò)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(chǎn)權(quán)代理事務(wù)所(普通合伙) 11309
• 代理人: 陳霽

本發(fā)明涉及一種基于CNN?LSTM的CPI數(shù)預(yù)測模型及方法，其中，方法包括以下步驟：將所有商品期貨的交易數(shù)據(jù)拼接成二維面板數(shù)據(jù)，所述二維面板數(shù)據(jù)包含空間特征和時間特征；通過卷積神經(jīng)網(wǎng)絡(luò)的卷積層對每個時刻輸入的二維面板數(shù)據(jù)采用多個卷積核對面板數(shù)據(jù)進(jìn)行掃描，通過卷積運算提取特征，并對提取到的特征進(jìn)行池化運算，以獲得區(qū)域向量；將獲得的區(qū)域向量作為LSTM網(wǎng)絡(luò)的輸入，并由LSTM網(wǎng)絡(luò)輸出CPI的預(yù)測值。通過采用CNN?LSTM學(xué)習(xí)期貨數(shù)據(jù)的空間特征和時間特征，實現(xiàn)對每日期貨數(shù)據(jù)的在線學(xué)習(xí)，達(dá)到動態(tài)定量預(yù)測每日CPI的變化情況的效果。

技術(shù)領(lǐng)域

本發(fā)明涉及居民消費價格指數(shù)(CPI)預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)(CNN)-長短時記網(wǎng)絡(luò)(LSTM)的CPI預(yù)測模型及方法。

背景技術(shù)

居民消費價格指數(shù)(CPI)反映一定時期內(nèi)人們購買一組代表性商品和勞務(wù)總花費的變化情況，是國民經(jīng)濟(jì)核算統(tǒng)計的核心指標(biāo)之一。如果用CPI來衡量價格水平，則通貨膨脹率就是不同時期的CPI變動的百分比。按照國際慣例，當(dāng)CPI增幅連續(xù)超過3％時，即意味著發(fā)生了通貨膨脹；當(dāng)CPI低于1％時，則有通貨緊縮的風(fēng)險。當(dāng)通貨膨脹發(fā)生時，貨幣貶值，大多數(shù)居民的利益和生活會受到影響。CPI關(guān)系國計民生，是管理層制定宏觀經(jīng)濟(jì)政策、分析貨幣市場和債券市場及央行公開市場操作的重要參考依據(jù)。從我國貨幣政策目標(biāo)來看，我國的貨幣政策目標(biāo)是“保持物價穩(wěn)定，并以此促進(jìn)經(jīng)濟(jì)增長”，物價穩(wěn)定是我國宏觀經(jīng)濟(jì)決策的重要目標(biāo)之一。如何科學(xué)預(yù)測我國CPI，并在此基礎(chǔ)上運用一定的技術(shù)手段，實施超前性的貨幣政策，對于全面把握經(jīng)濟(jì)發(fā)展趨勢、經(jīng)濟(jì)安全以及社會穩(wěn)定具有重要的意義。

目前，國內(nèi)外對于CPI研究主要是利用歷史月度數(shù)據(jù)構(gòu)建模型。例如，基于GARCH模型的CPI預(yù)測。采用貝葉斯平均模型預(yù)測通脹。建立隨機平均波動率模型對CPI預(yù)測并與ARMA模型進(jìn)行對比分析。基于廣義的菲利普斯曲線(Phillips curve)，采用動態(tài)的計量模型預(yù)測每個季度的通脹變化率。使用ARIMA(1,0,0)模型對印尼CPI進(jìn)行預(yù)測。分析影響CPI的驅(qū)動因素GDP和M1，采用二元回歸模型對我國未來CPI走勢進(jìn)行預(yù)測。根據(jù)CPI序列的季節(jié)性特點，基于季節(jié)性ARIMA模型對我國CPI波動進(jìn)行預(yù)測。CPI的主要預(yù)測方法還包括ARX神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和支持向量回歸等。這些基于月度數(shù)據(jù)的預(yù)測方法很難充分利用當(dāng)月可觀測到的信息。舉例說明，假如要預(yù)測2020年6月的CPI，可在6月9日(國家統(tǒng)計局發(fā)布上月CPI的日期)獲得5月CPI數(shù)據(jù)后用月度數(shù)據(jù)建模。這樣建立的模型忽略了6月9日至6月30日這段時間內(nèi)可觀測到的一些金融市場變量對CPI的影響，這些金融變量包括了農(nóng)產(chǎn)品的價格波動、大宗商品的價格波動和外匯市場的匯率波動等。

發(fā)明內(nèi)容

本發(fā)明的目的，是解決現(xiàn)有技術(shù)CPI預(yù)測存在的上述技術(shù)問題。

為實現(xiàn)上述目的，一方面，本發(fā)明提供了一種基于CNN-LSTM的CPI預(yù)測模型，該模型包括：網(wǎng)絡(luò)預(yù)訓(xùn)練階段和網(wǎng)絡(luò)動態(tài)訓(xùn)練和預(yù)測階段，在網(wǎng)絡(luò)預(yù)訓(xùn)練階段，模型采用t₀時刻之前的數(shù)據(jù)集訓(xùn)練深度網(wǎng)絡(luò)；當(dāng)訓(xùn)練完成以后，進(jìn)入動態(tài)訓(xùn)練和預(yù)測階段；在這個階段，對于每一個t_n時刻的數(shù)據(jù)，CNN-LSTM預(yù)測模型采用t_n時刻之前包括t_n時刻的數(shù)據(jù)作為訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)，預(yù)測[t_n,t_n+T_n)時間段內(nèi)的CPI值；預(yù)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(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)；重復(fù)上述過程，不斷滑動時間窗口，直至t_N時刻，所有數(shù)據(jù)預(yù)測完成。

另一方面，本發(fā)明提供了一種基于CNN-LSTM的CPI預(yù)測方法，該方法包括以下步驟：

將所有商品期貨的交易數(shù)據(jù)拼接成二維面板數(shù)據(jù)，所述二維面板數(shù)據(jù)包含空間特征和時間特征；