融合微博情感分析和深度学习的宏观经济预测方法

被引:12
作者
赵军豪 [1 ]
李玉华 [1 ]
霍林 [2 ]
李瑞轩 [1 ]
辜希武 [1 ]
机构
[1] 华中科技大学计算机科学与技术学院
[2] 广西大学中国-东盟区域发展协同创新中心
关键词
宏观经济; 投资预测; 微博; 情感分析; 深度学习;
D O I
暂无
中图分类号
F124 [经济建设和发展]; TP18 [人工智能理论];
学科分类号
0201 ; 020105 ; 081104 ; 0812 ; 0835 ; 1405 ;
摘要
现代市场经济快速发展的同时也伴随着较高的风险,通过对地区投资情况提前预测,能够提前发现投资风险,为国家、企业的投资决策提供参考。针对宏观经济预测中统计数据滞后和内部关系复杂的问题,提出融合情感分析和深度学习的预测方法(SA-LSTM)。首先考虑微博的强时效性,确定了微博爬取和情感分析的方法,得到微博情感分析的分值,进而结合政府统计的结构化经济指标和长短期记忆神经网络,实现地区投资总额预测。经过实际数据计算验证,在四个数据集上,与不加入微博情感分析的LSTM网络相比,SA-LSTM能够降低预测相对误差4.95,0.92,1.21,0.66个百分点;与差分自回归移动平均模型(ARIMA)、线性回归(LR)、反向传播(BP)神经网络、长短期记忆(LSTM)网络四个方法中的最优方法相比能够降低相对误差0.06,0.92,0.94,0.66个百分点。另外,SA-LSTM在多个时间片上,预测相对误差的方差最小,表明所提方法具有很好的鲁棒性,对数据抖动有良好的适应性。
引用
收藏
页码:3057 / 3062
页数:6
相关论文
共 13 条
[1]   基于BP神经网络的输电线路工程造价预测模型研究 [J].
孙安黎 ;
向春 ;
伍焓熙 .
现代电子技术, 2018, 41 (02) :79-82
[2]   基于深度学习和股票论坛数据的股市波动率预测精度研究 [J].
陈卫华 ;
徐国祥 .
管理世界, 2018, (01) :180-181
[3]   基于深度学习的GDP指标预测分析 [J].
李浩 ;
尤金 .
管理工程师, 2017, 22 (03) :10-12+42
[4]   基于LSTM神经网络模型的钢铁价格预测 [J].
陆泽楠 ;
商玉林 .
科技视界, 2017, (13) :116-117
[5]   基于ARIMA模型的短期股票价格预测 [J].
吴玉霞 ;
温欣 .
统计与决策, 2016, (23) :83-86
[6]   基于灰色RBF神经网络的多因素财政收入预测模型 [J].
赵海华 .
统计与决策, 2016, (13) :79-81
[7]   BP神经网络人口预测模型研究与仿真 [J].
张光建 .
智能计算机与应用, 2016, 6 (01) :88-90
[9]   互联网搜索行为能帮助我们预测宏观经济吗? [J].
刘涛雄 ;
徐晓飞 .
经济研究, 2015, 50 (12) :68-83
[10]   基于网络大数据的社会经济预测综述 [J].
苏志 ;
张骐 .
情报杂志, 2015, 34 (07) :18-21