一种融合招标大数据与宏观经济的工程市场景气预测方法及系统与流程
本发明涉及工程市场景气预测,尤其涉及一种融合招标大数据与宏观经济的工程市场景气预测方法及系统。
背景技术:
1、工程市场波动对投资和产业链影响很大,但目前缺少专门针对该领域的高频景气指数。行业惯常做法是参考制造业pmi或固定资产投资数据,但制造业pmi来自问卷调研,主观性强,与工程领域特有的政策周期和季节规律关联有限;固定资产投资数据每月甚至每季度才发布一次,等数据出来,市场行情可能已经变化。
2、近年来一些研究开始用招投标数据预测市场,招标公告确实能反映短期内即将启动的项目需求。但多数做法仍停留在统计招标数量和金额的阶段,导致预测在经济周期转折点时容易跑偏。另一个被忽视的问题是,中心城市的项目会沿产业链向外传导,比如一个大型基建项目会带动周边建材、物流、劳务需求,但这种涟漪式扩散效应在现有方法中没有被量化描述。
3、时序建模方面,lstm网络对长期趋势把握较好,但对短期数据波动反应偏慢;gru网络计算效率高,但单独使用难以捕捉多时间尺度的规律。更重要的是,这两类网络都按独立序列处理数据,没有考虑区域之间的空间关联。经查阅专利和非专利文献,目前还没有将招标大数据、宏观指标与图神经网络结合用于工程景气预测的成熟方案。
4、现有技术中,工程市场缺乏专用景气指数,招投标数据利用粗浅且未深度融合宏观经济因子,同时忽略了区域间的空间传导效应,纯时序模型亦无法有效捕捉多尺度模式与非欧氏空间依赖,存在预测精度低、无法准确反映区域间传导路径的问题。
技术实现思路
1、本技术通过提供一种融合招标大数据与宏观经济的工程市场景气预测方法及系统,解决了现有技术中预测精度低、无法准确反映区域间传导路径的问题,实现了工程市场专用景气指数的构建、多尺度时序特征的分层提取,以及区域间传导路径的量化建模,提升了预测精度和区域传导关系的刻画能力。
2、本技术实施例提供了一种融合招标大数据与宏观经济的工程市场景气预测方法,包括:
3、s1,采集多源数据,所述多源数据包括招标投标大数据、宏观经济指标数据和工程全周期数据;
4、s2,对所述多源数据进行预处理,按区域构建包含时序特征和空间拓扑关系的时空数据集;
5、s3,构建并训练gru-lstm混合时序网络,输入全局聚合后的时间序列特征,获取全局时序特征向量;
6、s4,构建并训练时空图神经网络st-gnn,以区域为节点,基于区域间关联度构造邻接矩阵,输入各区域时序特征,提取空间传导特征;
7、s5,融合所述全局时序特征向量与所述空间传导特征,生成综合景气预测值;
8、s6,基于所述综合景气预测值,采用扩散指数方法计算工程市场景气指数。
9、进一步的,所述工程市场景气指数包括新招标项目数量指数、项目中标金额指数、投标企业参与度指数、工程开工率指数和工程合同履约进度指数;
10、所述基于所述综合景气预测值,采用扩散指数方法计算工程市场景气指数,包括:
11、根据所述综合景气预测值,分别计算新招标项目数量、项目中标金额、投标企业参与度、工程开工率和工程合同履约进度在本期相对于上期上升的样本比例,以及持平的样本比例;
12、针对每个分项,将所述上升的样本比例与所述持平的样本比例的一半进行求和,得到各分项扩散指数;
13、获取新招标项目数量指数、项目中标金额指数、投标企业参与度指数、工程开工率指数和工程合同履约进度指数的权重,对各分项扩散指数进行加权求和,得到综合工程市场景气指数;
14、对所述综合工程市场景气指数进行季节调整后输出。
15、进一步的,所述gru-lstm混合时序网络采用串联结构,包括至少一层gru层和至少一层lstm层;
16、所述输入全局聚合后的时间序列特征,获取全局时序特征向量,包括:
17、将全局聚合后的时间序列特征输入所述gru层进行处理,所述gru层输出对时间序列的短期波动特征;
18、将所述gru层的输出序列作为所述lstm层的输入,所述lstm层通过门控机制处理所述gru层的输出序列,输出对时间序列的长期依赖特征;
19、将所述lstm层的输出序列输入全连接层,通过所述全连接层进行线性变换,得到全局时序特征向量。
20、进一步的,所述时空图神经网络st-gnn由多个时空卷积块堆叠而成,每个时空卷积块包括时间门控卷积层和图卷积层;
21、所述提取空间传导特征,包括:
22、将各区域时序特征和邻接矩阵输入所述时空图神经网络st-gnn;
23、在所述时间门控卷积层中,沿时间轴对输入数据进行一维卷积,提取各区域在时间维度上的局部依赖特征;
24、在所述图卷积层中,基于所述邻接矩阵,对每个区域节点及其相邻区域节点的特征进行图卷积运算,汇聚相邻区域的市场状态信息;
25、堆叠的多个时空卷积块依次处理,输出每个节点的空间感知特征向量。
26、进一步的,所述图卷积层采用切比雪夫图卷积,利用切比雪夫多项式展开逼近图卷积核;
27、所述基于所述邻接矩阵,对每个区域节点及其相邻区域节点的特征进行图卷积运算,包括:
28、对所述邻接矩阵进行对称归一化处理,得到归一化拉普拉斯矩阵;
29、基于所述归一化拉普拉斯矩阵,计算切比雪夫多项式,得到多项式的各阶项;
30、将各区域节点的特征向量分别与所述切比雪夫多项式的各阶项相乘,将各阶乘积累加并经过非线性激活函数处理,得到图卷积输出的各节点空间聚合特征。
31、进一步的,所述融合所述全局时序特征向量与所述空间传导特征,生成综合景气预测值,包括:
32、利用注意力机制处理各节点的空间传导特征,计算每个节点空间传导特征对全局趋势的贡献权重;
33、根据所述贡献权重对各节点的空间传导特征进行加权求和,得到全国空间汇总向量;
34、将所述全国空间汇总向量与所述全局时序特征向量进行拼接,得到融合特征向量;
35、将所述融合特征向量输入多层感知机进行处理,所述多层感知机包含带有非线性激活函数的隐藏层,将所述融合特征向量映射为综合景气预测值。
36、进一步的,所述招标投标大数据包括招标公告中的项目名称、项目类型、投资规模、招标金额、投标企业数量、中标价格、所属区域及时间戳字段;
37、所述宏观经济指标数据包括固定资产投资完成额、gdp增速、地方政府专项债券发行额度及使用进度、广义货币供应量;
38、所述工程全周期数据包括项目立项时间、设计时间、招标时间、施工时间、竣工时间各阶段的时间节点与关键指标,以及新开工面积、在建工程体量、竣工产值。
39、进一步的,所述对所述多源数据进行预处理,按区域构建包含时序特征和空间拓扑关系的时空数据集,包括:
40、对招标公告文本进行命名实体识别处理,提取项目类型、投资额度、建设内容信息;
41、对不同来源、不同频率的数据进行时间对齐处理,统一汇总至月度粒度;
42、对各数据字段进行标准化处理;
43、采用线性插值法对各数据字段中的缺失值进行补全;
44、采用箱线图法对各数据字段中的异常值进行识别并剔除;
45、按行政区划编码将处理后的多源数据组织为以区域为节点的时空数据集,每个节点的特征向量为各月度时间戳下多源特征的拼接结果。
46、进一步的,所述基于区域间关联度构造邻接矩阵,包括:
47、根据区域间历史招标关联度、投资流动强度、地理位置邻接度及产业链关联度,综合量化确定各区域间的关联度值;
48、以各区域为图节点,以所述关联度值作为节点间边的权重,生成带权邻接矩阵;
49、对所述带权邻接矩阵进行对称归一化处理。
50、本技术实施例提供了一种融合招标大数据与宏观经济的工程市场景气预测系统,用于实现一种融合招标大数据与宏观经济的工程市场景气预测方法,包括:数据采集模块、时空特征构建模块、全局时序特征模块、空间传导特征模块、特征融合预测模块、景气指数计算模块;
51、其中,所述数据采集模块,用于采集多源数据,所述多源数据包括招标投标大数据、宏观经济指标数据和工程全周期数据;
52、所述时空特征构建模块,用于对所述多源数据进行预处理,按区域构建包含时序特征和空间拓扑关系的时空数据集;
53、所述全局时序特征模块,用于构建并训练gru-lstm混合时序网络,输入全局聚合后的时间序列特征,获取全局时序特征向量;
54、所述空间传导特征模块,用于构建并训练时空图神经网络st-gnn,以区域为节点,基于区域间关联度构造邻接矩阵,输入各区域时序特征,提取空间传导特征;
55、所述特征融合预测模块,用于融合所述全局时序特征向量与所述空间传导特征,生成综合景气预测值;
56、所述景气指数计算模块,用于基于所述综合景气预测值,采用扩散指数方法计算工程市场景气指数。
57、本技术提供的一种融合招标大数据与宏观经济的工程市场景气预测方法及系统,采集招标投标大数据、宏观经济指标数据和工程全周期数据,经预处理后构建出包含时序特征和空间拓扑关系的时空数据集,使模型能够从项目意向、外部环境和实施进度三个维度同时感知工程市场运行状态。
58、在该过程中,通过构建工程市场景气指数作为前瞻性综合指标,选取新招标项目数量、项目中标金额、投标企业参与度、工程开工率和工程合同履约进度五项分项指标,采用扩散指数法计算各分项数值并按预设权重合成综合指数,以50%作为荣枯分水线提供直观的量化判断依据,填补了该领域长期缺乏专用景气指标的技术空白。
59、在预测过程中,采用gru-lstm串联混合网络,gru层对短期波动响应灵敏、训练高效,lstm层通过精细门控机制记忆长期历史信息,两者分工协作从聚合后的时序数据中提取全局多尺度特征。在空间维度上,该方法以各省或城市为节点构建图结构,依据历史招标关联度、投资流动强度和地理位置邻接度量化边权重,通过时空图神经网络中的时间门控卷积层沿时间轴提取局部依赖,图卷积层采用切比雪夫多项式逼近在空间维度汇聚相邻区域的市场状态,显式刻画了中心项目对周边区域的涟漪式扩散效应。
60、最后通过注意力机制将全局时序特征与各节点空间感知特征进行跨尺度融合,输出全国及各区域的景气预测值,有效提升了预测精度和对周期拐点的识别能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com