基于神经网络的经济预测方法与流程

技术特征：
1.一种基于神经网络的经济预测方法，其特征在于，步骤包括：s1，构建经济预测指标体系；s2，获取所述指标体系下的每个指标对应的经济数据；s3，对获取的经济数据作数据归一化处理；s4，确定bp神经网络的隐含层神经元个数；s5，以经步骤s3作数据归一化处理后的经济数据为所述bp神经网络的训练样本，并利用搜索较优步长算法在网络训练的每次迭代中自适应搜索步长，最终训练得到经济预测模型；s6，将获取的经济数据输入到所述经济预测模型中，模型输出经济预测结果；步骤s4中，确定所述bp神经网络的隐含层神经元个数的方法步骤包括：s41，确定隐含层神经元个数n的选取范围为：n1≤n≤n2，n为整数；s42，取n＝n1，然后计算评价所述bp神经网络的经济预测性能的参数的参数值，记为m
se1
；s43，取然后计算评价所述bp神经网络的经济预测性能的参数的参数值，记为m
se2
；s44，判断m
se1
是否小于m
se2
，若是，则令步骤s41中的选取范围中的确定n的新的选取范围为若否，则令步骤s41中的选取范围中的确定n的新的选取范围为步骤s45，判断所确定的新的选取范围中的n1是否小于n2，若是，则返回步骤s42；若否，则将最终得到的n作为所确定的所述bp神经网络的隐含层神经元个数。2.根据权利要求1所述的基于神经网络的经济预测方法，其特征在于，步骤s41中的n1、n2的初始值通过以下公式(2)-(6)中的任意一个或多个公式计算确定：n
hid
＝2
×
n
in
公式(2)公式(2)公式(2)n
hid
＝log2n
in
公式(6)公式(2)-(6)中，n
hid
表示初始的n1或n2；n
in
表示所述bp神经网络的输入层的神经元数量；n
out
表示所述bp神经网络的输出层的神经元数量；n
train
表示所述bp神经网络的训练样本数；r为常数。
α为常数。3.根据权利要求2所述的基于神经网络的经济预测方法，其特征在于，r为≥5且≤10中的任意一个自然数。4.根据权利要求2所述的基于神经网络的经济预测方法，其特征在于，α为≥1且≤10中的任意一个自然数。5.根据权利要求1所述的基于神经网络的经济预测方法，其特征在于，所述指标体系包括物质资本、劳动要素、人力资本、技术水平中的任意一个或多个一级指标，以及一级指标“物质资本”下的资金投入、生产投入、发展环境中的任意一个或多个二级指标；一级指标“劳动要素”下的劳动力存量、劳动力增量、劳动力效率中的任意一个或多个二级指标；一级指标“人力资本”下的教育投入、工资报酬中的任意一个或多个二级指标；一级指标“技术水平”下的技术创新、产业创新中的任意一个或多个二级指标，以及二级指标“资金投入”下的固定资产投资额、政府采购项目总额、上市企业并购金额、新增上市企业注册资本、金融机构贷款中的任意一个或多个三级指标；二级指标“生产投入”下的全社会用电量、港口货物运输总量、机场货物运输总量、高速公路货车流量中的任意一个或多个三级指标；二级指标“发展环境”下的出口总额、上市企业市值、上市企业利润、工业品出厂价格指数、采购经理人指数、中小企业景气指数中的任意一个或多个三级指标；二级指标“劳动力存量”下的全社会从业人员数、企业参保人数中的任意一个或多个三级指标；二级指标“劳动力增量”下的新增就业人数、新设企业数、企业招聘岗位数中的任意一个或多个三级指标；二级指标“劳动力效率”下的全社会劳动上产率这一三级指标；二级指标“教育投入”下的财政教育支出、财政科学技术支出、财政文化体育与传媒支出中的任意一个或多个三级指标；二级指标“工资报酬”下的人均可支配收入这一三级指标；二级指标“技术创新”下的专利申请数、专利授权数、论文发表数量、软著登记数量中的任意一个或多个三级指标；二级指标“产业创新”下的高新技术产业增加值、战略性新兴产业增加值、新产品产值中的任意一个或多个三级指标。6.根据权利要求1所述的基于神经网络的经济预测方法，其特征在于，步骤s3中，通过以下公式(1)对获取的经济数据作数据归一化处理：公式(1)中，x表示原始的经济数据；x
mean
表示原始的经济数据的均值；σ表示原始的经济数据的标准差。7.根据权利要求1所述的基于神经网络的经济预测方法，其特征在于，步骤s5中，训练所述经济预测模型的方法步骤包括：s51，设置或计算所述bp神经网络的变量与参量，所述变量包括所述bp神经网络的输入向量x
k
和样本序号c，x
k
＝[x
k1
，x
k2
，
…
，x
km
]，k＝1，2，
…
，n，n表示训练样本的个数，x
km
表示输入向量x
k
中的第m个元素，c＝1，2，
…
，n；所述参量包括学习速率η、迭代次数n、步长搜索向量ηl＝[ηl1，ηl2，
…
，ηl
l
]、随机标志flag、第n次迭代时输入层与隐含层之间的权值向量w
mi(n)
、第n次迭代时隐含层与输出层之间的权值向量w
ip(n)
、第n次迭代时网络的实际输出向量y
k
(n)＝[y
k1
(n)，y
k2
(n)，
…
，y
kp
(n)]、期望网络输出向量d
k
＝[d
k1
，d
k2
，
…
，d
kp
]以及网络预测
允许误差ε，l表示步长搜索向量ηl的元素个数；p表示网络实际输出向量y
k
(n)或期望网络输出向量d
k
的元素个数；s52，参量初始化，令w
mi(n)
＝w
mi(0)
，令w
ip(n)
＝w
ip(0)
，并赋予w
mi(0)
、w
ip(0)
相对应的随机非零值，并令flag＝true；s53，判断flag是否为true，若是，则为当前输入到所述bp神经网络的样本x
k
赋予1，2，
…
，n中的任意一个序号c，然后跳转到步骤s54；若否，则终止网络迭代训练；s54，对于输入的样本x
k
，前向计算所述bp神经网络的隐含层及输出层中的每个神经元的输入信号和输出信号，第n次迭代中，所述隐含层中的第i个神经元的输入信号和输出信号分别记为net
i(n)
和v
i(n)
，所述输出层中的第p个神经元的输入信号和输出信号分别记为net
p(n)
和y
p(n)
；s55，根据所述输出层中的每个神经元的输出信号y
p(n)
计算得到第n次迭代时网络的实际输出向量y
k
(n)后，结合设置的期望网络输出向量d
k
，计算第n次迭代时所述bp神经网络的预测误差，记为e
k(n)
；s56，判断e
k(n)
是否小于设置的所述允许误差ε，若是，则跳转到步骤s60；若否，则转入步骤s57；s57，判断当前迭代训练次数是否达到预设的允许迭代次数，若是，则跳转到步骤s60；若否，则对输入的所述样本x
k
反向计算所述bp神经网络中的所述隐含层与所述输出层中的每个神经元的局部梯度，然后转入步骤s58，第n次反向计算中，所述隐含层中的第i个神经元的局部梯度记为δ
i(n)
，所述输出层中的第p个神经元的局部梯度记为δ
p(n)
；s58，根据设置的所述步长搜索向量ηl、期望网络输出向量d
k
以及所计算的第n次迭代时的w
mi(n)
、w
ip(n)
、学习速率η(n)、局部梯度δ
i(n)
、δ
p(n)
、输出信号v
i(n)
、输入向量x
k
中的第m个元素x
km(n)
，计算所述bp神经网络针对所述样本x
k
的预测误差e
kl(n)
，并利用所述搜索较优步长算法搜索出n 1次迭代的步长；s59，判断第n 1次迭代时输入的样本x
k
中的k值是否等于或大于为所述样本x
k
赋予的序号c值，若k＝c，则根据第一策略修正第n 1次迭代时的权值向量w
mi(n 1)
和w
ip(n 1)
，然后转入步骤s60；若k＞c，则根据第二策略修正第n 1次迭代时的权值向量w
mi(n 1)
和w
ip(n 1)
，然后转入步骤s60；s60，判断第n 1次迭代时的k值是否等于n，若是，则转入步骤s61；若否，则令k＝k 1，然后返回步骤s53；s61，判断针对每个样本x
k
的所有预测误差e
kl(n 1)
是否都在预设的允许误差ε内，若是，则终止网络训练，输出所述经济预测模型；若否，则转入步骤s62；
s62，判断步骤s55中计算的第n 1次迭代时所述bp神经网络的预测误差e
k(n 1)
是否小于等于第n次迭代时所述bp神经网络的预测误差e
k(n)
，若是，则令flag＝false，然后返回步骤s53；若否，则重置k＝1，并令flag＝true，然后返回步骤s53。8.根据权利要求7所述的基于神经网络的经济预测方法，其特征在于，步骤s54和步骤s55中，net
i(n)
通过以下公式(7)计算而得：v
i(n)
通过以下公式(8)计算而得：公式(8)中，i表示隐含层中的神经元个数；net
p(n)
通过以下公式(9)计算而得：公式(9)中，p表示输出层中的神经元个数；y
p(n)
和v
p(n)
通过以下公式(10)计算而得：9.根据权利要求8所述的基于神经网络的经济预测方法，其特征在于，步骤s57中，δ
i(n)
通过以下公式(11)计算而得：公式(11)中，i＝1，2，
…
，i，i表示隐含层中的神经元个数；δ
p(n)
通过以下公式(12)计算而得：δ
p(n)
＝y
p(n)
(1-y
p(n)
)[d
p-y
p(n)
]公式(12)公式(12)中，d
p
表示第p个神经元的期望输出；p＝1，2，
…
，p，p表示输出层中的神经元个数。10.根据权利要求9所述的基于神经网络的经济预测方法，其特征在于，步骤s58中，预测误差e
kl(n)
通过以下公式(13)计算而得：公式(13)中，y
pl
通过以下公式(14)计算而得：公式(14)中，net
pl
通过以下公式(15)计算而得：
公式(15)中，v
il(n)
通过以下公式(16)计算而得：公式(16)中，net
il
通过以下公式(17)计算而得：11.根据权利要求7或10所述的基于神经网络的经济预测方法，其特征在于，步骤s58中，所述搜索较优步长算法搜索出n 1次迭代的步长的方法步骤包括：a1，将步长搜索向量ηl中的各个元素逐一代入到预测误差e
kl(n)
的计算公式中，并提取出e
kl(n)
最小时对应的元素ηl
l
；a2，通过以下公式(18)搜索出n 1次迭代的步长：η(n 1)＝η(n)
×
ηl
l
公式(18)。12.根据权利要求11所述的基于神经网络的经济预测方法，其特征在于，步骤s59中，所述第一策略通过以下公式(19)-(20)修正权值向量w
mi(n 1)
和w
ip(n 1)
，w
mi(n 1)
＝w
mi(n)
η(n 1)δ
i(n)
x
km(n)
公式(19)w
ip(n 1)
＝w
ip(n)
η(n 1)δ
p(n)
v
i(n)
公式(20)公式(19)-(20)中，η(n 1)表示搜索出的第n 1次迭代的步长；所述第二策略通过以下公式(21)-(22)修正权值向量w
mi(n 1)
和w
ip(n 1)
，w
mi(n 1)
＝w
mi(n)
η(n)δ
i(n)
x
km(n)
公式(21)w
ip(n 1)
＝w
ip(n)
η(n)δ
p(n)
v
i(n)
公式(22)公式(21)-(22)中，η(n)表示搜索出的第n次迭代的步长。

技术总结
本发明公开了一种基于神经网络的经济预测方法，步骤包括：S1，构建经济预测指标体系；S2，获取指标体系下的每个指标对应的经济数据；S3，对获取的经济数据作数据归一化处理；S4，确定BP神经网络的隐含层神经元个数；S5，以经步骤S3作数据归一化处理后的经济数据为BP神经网络的训练样本，并利用搜索较优步长算法在网络训练的每次迭代中自适应搜索步长，最终训练得到经济预测模型；S6，将获取的经济数据输入到经济预测模型中，模型输出经济预测结果。本发明通过确定合适的隐含层神经元个数并在每次迭代训练时自适应搜索合适的步长，既保证了模型训练的速度又保证了所训练的模型的性能。性能。性能。


技术研发人员：王邵辉 洪辉阳 杨晓庆
受保护的技术使用者：杭州博晟科技有限公司
技术研发日：2022.03.15
技术公布日：2022/6/4