(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211116404.8 (22)申请日 2022.09.14 (71)申请人 广西电网有限责任公司 地址 530012 广西壮 族自治区南宁市 兴宁 区民主路6号 (72)发明人 岑剑峰　卢纯颢　林溪桥　刘裕昆　 程敏　覃惠玲　周春丽　陈志君　 何承瑜　王鹏　李小伟　李荣耀　 (74)专利代理 机构 广州市专 注鱼专利代理有限 公司 44456 专利代理师 张志鹏 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01)G06F 17/18(2006.01) G06N 3/04(2006.01) (54)发明名称 一种构建预测模型方法、 系统及其设备 (57)摘要 本发明提供一种构建预测模 型方法， 步骤包 括： 构建宏观经济预测指标体系； 建立传统的混 频向量自回归 经济预测模型； 建立基于深度学习 的经济预测模 型； 使用时间序列模 型融合方法对 各个模型的预测结果进行融合； 得出最终的宏观 经济预测结果。 本发明的模型保留了向量自回归 模型， 可以提取出时间序列数据中的隐藏特征与 线性特征， 且具有良好的可解释性特点。 本发明 融合了两个深度学习的模型， 深度学习模型是一 种非线性模型， 可 以成功捕捉数据中的非线性， 且具有较高的精度， 可以对宏观经济形势具有准 确且较高可解释性的预测。 权利要求书3页 说明书8页 附图2页 CN 115470988 A 2022.12.13 CN 115470988 A 1.一种构建预测模型方法， 其特征在于， 基于混频向量自回归模型与深度学习模型融 合， 步骤包括： 构建宏观经济预测指标体系； 建立传统的混频向量自回归经济预测模型； 建立基于深度学习的经济预测模型； 使用时间序列模型融合方法对各个模型的预测结果进行融合； 得出最终的宏观经济预测结果。 2.根据权利要求1所述的构建预测模型方法， 其特征在于， 所述宏观经济预测指标体系 包括： 水电发电量、 火电发电量、 油电发电量、 煤电发电量、 燃气电发电量、 光伏发电量、 装机 容量、 单位供电成本、 单位购电成本、 第一产业用电量、 第二产业用电量、 第三产业用电量、 城乡居民用电、 中心城区居民端综合电压合格率、 城镇居民端综合电压合格率、 农村居民端 综合电压合格率、 第三方客户满意度、 中压线路故障率、 停电用户平均停电次数、 区域各重 点行业用电量、 实际GDP同比增长率、 贷款 实际利率、 固定 资产投资同比增长率、 非金融部门 杠杆率、 居民消费价格指数同比增长率、 商品零售价格指数同比增长率、 货币和准货币期末 同比增长率、 社会消费品零售总额同 比增长率、 一般公共预算支出当期同 比增速金融机构 人民币各项贷款余额期末同比增长率、 进口额同比增长率、 出口额同比增长率、 工业增加值 同比增长率、 第三产业增加值同比增长率、 商品房本年新开工面积同比增长率、 发电量同比 增长率、 上证综指、 沪市成交额同比增长率以及宏观经济景气先 行指数。 3.根据权利要求1所述的构建预测模型方法， 其特征在于， 所述传统 的混频向量自回归 经济预测模型的表达式为： Xt＝φ0+φ1Xt‑1+…+φpXt‑p+ut； 其中， Xt表示第t时点的经济变量向量， Xt＝(X'm,t,X'q,t)'； Xm,t是nm×1月度指标， Xq,t是 nq×1季度指标， 扰动项 ut～N(0,Σ)。 4.根据权利要求1所述的构建预测模型方法， 其特征在于， 所述基于深度 学习的经济预 测模型包括GRU模型和LSTM模型。 5.根据权利要求4所述的构建预测模型方法， 其特征在于， 所述GRU模型的网络结构包 括重置门、 更新门和候选隐单 元； 重置门的表达式为： Rt＝σ(XtWxr+Ht‑1Whr+br)； 更新门的表达式为： Zt＝σ(XtWxz+Ht‑1Whz+bz)； 候选隐单 元的表达式为： GRU模型的隐单 元表达式为： GRU模型输出 预测结果表达式为： 权　利　要　求　书 1/3 页 2 CN 115470988 A 2其中， Wxr,Whr表示重置门的权重参数， Wxz,Whz是更新门的权重参数， Wxh,Whh代表候选记 忆单元的权重参数， br,bz分别代表重置门和更新门的偏置参数， σ(x)代 表sigmoid函数。 6.根据权利要求 4所述的构建预测模型 方法， 其特 征在于， 所述 LSTM模型求 解过程为： 假定第t个时刻的输入为Xt， 第t时刻的隐藏状态为Ht∈Rn×h， 第t时刻的记忆状态为Ct∈ Rn×h； 输入门为 It、 遗忘门为Ft和输出门为Ot的表达式分别为： It＝σ(XtWxi+Ht‑1Whi+bi)； Ft＝σ(XtWxf+Ht‑1Whf+bf)； Ot＝σ(XtWxo+Ht‑1Who+bo)； 其中， Wxi,Whi表示输入门的权重参数， Wxf,Whf是遗忘门的权重参数， Wxo,Who是输出门的 权重参数， bi,bf,bo分别代表输入门， 遗 忘门， 输出门的偏置参数， σ(x)代 表sigmoid函数； 第t时刻的隐藏状态的更新需要经过先经过记忆单元的更新； 当前状态输入特征和上 一状态隐藏层信息经 过记忆门得到当前状态潜在的记 忆单元： 使用输入门、 遗忘门和输出门的信息对记忆信息、 隐藏状态和预测结果进行更新； 第t 时刻的记忆单元Ct由上一状态记忆单元Ct‑1经过遗忘门再与当前状态潜在记忆单元 结合 而成， 表达式如下： 其中， Wxc是当前输入作用于潜在记忆单元的权重参数， Whc是上一时刻隐藏状态对潜在 记忆单元的权重参数， bc代表潜在记 忆单元偏置参数， ⊙代表矩阵之间元 素对应相乘； 当前状态的隐藏层的更新， 经 过输出门得到， 表达式如下： Ht＝Ot⊙tanh(Ct)； 当前状态的预测结果更新如下式： 其中， Why代表隐藏层对预测结果的权 重向量， by代表隐藏层对预测结果的偏置参数。 7.根据权利要求1所述的构建预测模型方法， 其特征在于， 所述使用时间序列模型融合 方法进行模型融合步骤包 括： 通过寻找最优多模型权重 对各模型的预测 结果进行加权平均， 寻找最优权 重的目标函数为： wm＞0,m＝1,. ..,M； 其中， M表示基础模型个数， 表示基础模型 预测结果， 集 合V表示验证集。 8.根据权利要求7所述的基于混频向量自回归与深度学习融合的预测模型构建方法， 其特征在于， 所述宏观预测结果表示 为：权　利　要　求　书 2/3 页 3 CN 115470988 A 3