CN111667095A - 预测经济状态、建立经济状态预测模型的方法及对应装置 - Google Patents
预测经济状态、建立经济状态预测模型的方法及对应装置 Download PDFInfo
- Publication number
- CN111667095A CN111667095A CN202010360886.6A CN202010360886A CN111667095A CN 111667095 A CN111667095 A CN 111667095A CN 202010360886 A CN202010360886 A CN 202010360886A CN 111667095 A CN111667095 A CN 111667095A
- Authority
- CN
- China
- Prior art keywords
- data
- predicted
- economic
- geographic position
- time interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 65
- 230000000694 effects Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004570 mortar (masonry) Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本申请公开了一种预测经济状态、建立经济状态预测模型的方法及对应装置,涉及大数据技术领域。具体实现方案为:从地图类应用数据中,分别针对待预测区域获取未来待预测时段之前N个历史时段的地理位置点活跃数据,所述N为正整数;将所述待预测时段之前N个历史时段的地理位置点活跃数据的特征向量分别输入预先训练得到的经济状态预测模型,得到所述待预测区域在所述待预测时段的经济指标数据。本申请能够实现对该待预测区域在待预测时段的经济状态的预测,从而预先给出政策制定的参考。
Description
技术领域
本申请涉及计算机应用技术领域,特别涉及大数据技术领域。
背景技术
GDP(Gross Domestic Product,国民生产总值)、CPI(consumer price index,居民消费指数)作为刻画经济情况的重要指标,理想状态下应该预 先获得经济走势,以便国家或地区等在指定相关政策时作为重要参考依 据。
现有经济状态的获取方式只能是基于统计的方式,例如统计每个季度的实际经济指标。但这种统计方式只能滞后的获取之前各时期的经济状况,而无法预先给出政策制定的参考。
发明内容
有鉴于此,本申请提供了如下技术方案,用以实现经济状态的事先预测,解决滞后的统计方式所带来的上述问题。
第一方面,本申请提供了一种预测经济状态的方法,该方法包括:
从地图类应用数据中,分别针对待预测区域获取未来待预测时段之前 N个历史时段的地理位置点活跃数据,所述N为正整数;
将所述待预测时段之前N个历史时段的地理位置点活跃数据的特征向量分别输入预先训练得到的经济状态预测模型,得到所述待预测区域在所述待预测时段的经济指标数据。
第二方面,本申请提供了一种建立经济状态预测模型的方法,该方法包括:
从地图类应用数据中,分别针对待预测区域获取连续M个时段的地理位置点活跃数据;以及从经济指标数据库中获取所述待预测区域分别在所述M个时段的实际经济指标数据,所述M为大于1的正整数;
将获取的所述连续M个时段的地理位置点活跃数据和实际经济指标数据作为训练数据,训练时序模型,得到针对所述待预测区域的经济状态预测模型;
所述经济状态预测模型用以根据所述待预测区域在未来待预测时段之前N个历史时段的地理位置点活跃数据,输出所述待预测区域在所述待预测时段的经济指标数据,所述N为正整数,M≥N。
第三方面,本申请还提供了一种预测经济状态的装置,该装置包括:
数据获取单元,用于从地图类应用数据中,分别针对待预测区域获取未来待预测时段之前N个历史时段的地理位置点活跃数据,所述N为正整数;
预测处理单元,用于将所述待预测时段之前N个历史时段的地理位置点活跃数据的特征向量分别输入预先训练得到的经济状态预测模型,得到所述待预测区域在所述待预测时段的经济指标数据。
第四方面,本申请还提供了一种建立经济状态预测模型的装置,该装置包括:
数据获取单元,用于从地图类应用数据中,分别针对待预测区域获取连续M个时段的地理位置点活跃数据;以及从经济指标数据库中获取所述待预测区域分别在所述M个时段的实际经济指标数据,所述M为大于 1的正整数;
模型训练单元,用于将获取的所述连续M个时段的地理位置点活跃数据和实际经济指标数据作为训练数据,训练时序模型,得到针对所述待预测区域的经济状态预测模型;
所述经济状态预测模型用以根据所述待预测区域在未来待预测时段之前N个历史时段的地理位置点活跃数据,输出所述待预测区域在所述待预测时段的经济指标数据,所述N为正整数,M≥N。
第五方面,本申请提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上任一项所述的方法。
第六方面,本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述任一项所述的方法。
由以上技术方案可以看出,本申请通过待预测区域在待预测时段之前历史时段的地理位置点活跃数据,能够对该待预测区域实现在未来待预测时段的经济状态的预测,从而预先给出政策制定的参考。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的季度GDP、V3和NVC的时间分布图;
图2为本申请实施例一提供的预测经济状态的方法流程图;
图3为本申请实施例一提供的经济状态预测模型的结构示意图;
图4为本申请实施例二提供的建立经济状态预测模型的方法流程图;
图5为本申请实施例二提供的训练经济状态预测模型的示意图;
图6为本申请实施例三提供的预测经济状态的装置结构图;
图7为本申请实施例四提供的建立经济状态预测模型的结构图;
图8是用来实现本申请实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
经过长期的观察和研究发现,在地图类应用中获取了相同时间区间内地理位置点活跃数据以及从经济指标数据库中获取了相同区域相同时间区间内的经济指标数据,经过统计分析和比对后发现,地理位置点活跃数据的时间分布与经济指标数据的时间分布具有极强的相关性。
例如,按照季度为单位统计了中国大陆用户在2018年第一季度到 2020年第一季度一共9个季度中,每个季度的用户到店的数据总量,记为 V3(Volumes of Visits toVenue),统计了中国大陆商家在每个季度登记新开店铺的总量,记为NVC(New VenuesCreated),以及统计了中国大陆每个季度的实际GDP总量。
这样得到三组数据:季度GDP、季度V3以及季度NVC。每组数据有 9个点,所有数值经过归一化之后,得到如图1中所示的时间分布图。图 1中,横轴中Q1~Q4分别指代第一季度~第四季度,纵轴代表归一化后的季度GDP、季度V3以及季度NVC的取值。从图中可以发现,GDP和V3之间,GDP和NVC之间表现了极强的相关性。通过皮尔逊相关系数(PearsonCorrelation Coefficent)分析,GDP和V3之间的相关系数为81.41%,GDP 和NVC之间的相关系数为82.11%,呈现强正相关。
基于上述理论,本申请的核心思想在于,利用地图类应用数据中的地理位置点活跃数据来预测未来时段的经济状态数据。下面结合实施例对本申请提供的方法进行详细描述。
实施例一、
图2为本申请实施例一提供的预测经济状态的方法流程图,执行本方法的装置可以是计算机设备或服务器,该计算机设备或服务器可以从地图类服务器中获取地图类应用维护的数据。经过执行本方法预测得到的经济指标数据可以在本计算机设备或服务器上显示,也可以输出给其他设备进行显示。如图2中所示,该方法可以包括以下步骤:
在201中,从地图类应用数据中,分别针对待预测区域获取待预测时段之前N个历史时段的地理位置点活跃数据,所述N为正整数。
本申请中涉及的“地理位置点”指的是地图类应用数据中的地理位置点,该地理位置点可以供用户检索、浏览,向用户推荐等。这些地理位置点具有经纬度、名称、行政地址、类型等基本属性。其中地理位置点可以包括但不限于POI(Point Of Interest,兴趣点)、AOI(Area of Interest,兴趣面)、ROI(Regin of Interest,兴趣区域)等。
地理位置点活跃数据指的是体现地理位置点处于活跃状态的数据,主要包括:用户访问商业类地理位置点的数据、新增商业类地理位置点的数据、用户查询商业类地理位置点的数据以及有效商业类地理位置点的数据。因为商业类地理位置点与经济行为更加相关,因此在本申请中主要采用了商业类地理位置点相关的活跃数据。商业类地理位置点可以是诸如:商场、超市、店铺、银行、公司、酒店、景区等有实体店的地理位置点。除此之外,也可以加入非商业类地理位置点相关的活跃数据,例如医院、学校等相关的数据。
用户访问商业类地理位置点的数据可以包括用户到商业类实体店的次数、时间、时长、频率等信息。
新增商业类地理位置点的数据例如可以是新开店铺的数量、时间等。
用户查询商业类地理位置点的数据可以包括用户在地图类应用上查询商业类地理位置点的次数、时间、频率等信息。
有效商业类地理位置点的数据可以是地图类应用维护的处于有效状态的商业类地理位置点的数量、位置等信息。所谓有效状态指的是该商业地理位置点正常营业,可正常到访。
本申请中涉及的待预测区域可以按照行政区划进行划分,也可以按照地理位置上的区域进行划分。但由于通常经济状态的监控和规划是按照行政区划执行的,因此优选按照行政区划进行划分的方式。例如,待预测区域可以是一个国家,可以是一个省份,一个城市,等等。
另外,本申请实施例目的是预测待预测区域在未来待预测时段的经济状况,使用的是待预测时段之前的历史时段的地理位置点活跃数据。其中,历史时段的时长可以采用预先设置的值,例如若预测某省未来一年的经济状态,则可以采用该省当前一年以及之前9年(共10年)的地理位置点活跃数据。再例如若预测某省未来一个月的经济状态,则可以采用该省当前一个月以及之前9个月(共10个月)的地理位置点活跃数据。等等。由于当前时段的地理位置点活跃数据已经能够获得,因此当前时段也可以看做未来待预测时段的历史时段。
在202中,将待预测时段之前N个历史时段的地理位置点活跃数据的特征向量分别输入预先训练得到的经济状态预测模型,得到待预测区域在待预测时段的经济指标数据。
本步骤中,分别确定上述各历史时段的地理位置点活跃数据的特征向量,即确定出N个特征向量。假设未来待预测时段表示为t+1,当前时段的地理位置点活跃数据的特征向量表示为xt,之前N-1个历史时段的地理位置点活跃数据的特征向量分别表示为xt-N+1,…,xt-1,将xt-N+1,…,xt-1,xt输入经济状态预测模型。
地理位置点活跃数据的特征向量可以包含多种类型的地理位置点活跃数据,将各类型的地理位置点活跃数据整合成一个向量的形式进行表示。
本申请实施例中的经济状态预测模型采用时序模型,预先建立了地理位置点活跃数据的时间分布与经济指标数据的时间分布之间的正相关关系。后续将通过实施例二对经济状态预测模型的训练过程进行详细描述。
经济状态预测模型输出的经济指标数据可以包括以下至少一种: GDP、PMI(经理人采购指数)以及CPI。可以以向量的形式输出,假设待预测时段表示为t+1,那么待预测时段的经济指标数据的向量表示为 yt+1。
下面对本实施例提供的一种经济状态预测模型的结构进行详细描述。如图3中所示,经济状态预测模型可以包括:输入层、内嵌层和预测层。
输入层,用于将待预测时段之前N个历史时段的地理位置点活跃数据的特征向量表示输出至内嵌层。如图3中所示,将xt-N+1,…,xt-1,xt输出至内嵌层。
内嵌层,用于将输入的第i个时段的地理位置点活跃数据的特征向量 xi与第i-1个时段对应的内嵌层向量hi-1进行加权处理后,得到第i个时段对应的内嵌层向量hi,其中所述第i个时段依时间顺序分别取上述N个历史时段中的各时段;以及将待预测时段之前一个时段对应的内嵌层向量乘以加权系数后,得到待预测时段对应的内嵌层向量。
在内嵌层中,在待预测时段之前(即针对当前时段以及当前时段之前的N-1个时段)依据时序对输入的各时段的特征向量分别计算内嵌层向量,一个时段i对应的内嵌层向量除了与该时段的输入向量xi相关之外,还与上一时段i-1的内嵌层向量hi-1相关。具体的计算方式可以为:
hi=hi-1(1-λi)+Ui×kxi λi (1)
其中,Ul×k为参数矩阵,用于将xi进行变换后在维度上与内嵌层向量的维度一致,k为xi的维度,l为内嵌层向量的维度。λi为权重系数,其与输入的特征向量xi相关,可以采用以下公式:
其中,w为k维的参数向量,b为标量。λi∈(0,1),为标量。
对于待预测时段t+1,其内嵌层向量ht+1仅仅与上一个时段t对应的内嵌层向量ht相关。具体的计算方式可以为:
ht+1=ht(1-λt+1) (3)
其中,λt+1也采用上述公式(2)进行计算,只是此时xt+1的向量中各值均取0。
内嵌层针对每一个时段都按照时序依次计算出对应的内嵌层向量。
预测层,用于依据待预测时段对应的内嵌层向量,映射得到待预测时段的经济指标数据。
如图3中所示,若待预测时段表示为t+1,那么待预测时段的经济指标数据的向量表示yt+1可以由以下公式得到:
yt+1=Vht+1 (4)
其中,yt+1的向量维度为m,参数矩阵V的维度为m×l。
上述的Ul×k、V、w和b均是经济状态预测模型的模型参数,在模型训练过程中预先训练得到。
另外,在预测待预测地区在待预测时段的经济状态时,也可以按照行业进行划分,例如预测待预测地区在待预测时段的某行业经济状态,那么在获取地理位置点活跃数据时,就获取与该行业相关的地理位置点活跃数据。也就是说,地理位置点类型能够与行业相关联。例如,在预测旅游业的经济状态时,可以获取诸如酒店、宾馆、景区等类型的地理位置点活跃数据。例如,在预测零售业的经济状态时,可以获取诸如商场、超市、便利店等类型的地理位置点活跃数据。
通过本实施例中提供的方式可以实现诸如以下应用场景:
场景1:
现在是2020年4月份,通过采集某省从2019年7月份~2020年4月份的V3数据、NVC数据等地理位置点活跃数据,输入预先针对该省建立的经济状态预测模型,可以预测得到该省2020年5月份的GDP指标。而不必在度过了5月份之后,才通过经济数据统计的方式滞后地获取GDP 指标。
场景2:
现在是2020年4月份,通过采集全中国从2019年7月份~2020年4 月份的酒店、宾馆、景区、饭馆等类别的V3数据、NVC数据,输入预先针对全中国建立的经济状态预测模型,可以预测得到全中国2020年5月份在旅游行业产生的GDP。
实施例二、
图4为本申请实施例二提供的建立经济状态预测模型的方法流程图,如图4中所示,该方法可以包括以下步骤:
在401中,从地图类应用数据中,分别针对待预测区域获取连续M 个时段的地理位置点活跃数据;以及从经济指标数据库中获取待预测区域分别在该M个时段的实际经济指标数据,其中M为大于1的正整数。
由于经济状态预测模型是针对具体区域建立的,因此在获取训练数据时,需要获取待预测的地理位置点活跃数据和实际经济指标数据来作为训练数据。
地图类应用数据可以从地图类应用的服务器或数据库中获取或调用,实际经济指标数据可以从经济指标数据库中获取,该经济指标数据库中记录有各地区各时段实际的经济指标数据,该实际的经济指标数据可以是基于经济数据统计得到的实际数据。
与实施例一中类似地,地理位置点活跃数据指的是体现地理位置点处于活跃状态的数据,主要包括:用户访问商业类地理位置点的数据、新增商业类地理位置点的数据、用户查询商业类地理位置点的数据以及有效商业类地理位置点的数据。
经济状态预测模型输出的经济指标数据可以包括以下至少一种: GDP、PMI以及CPI。
待预测区域可以按照行政区划进行划分,也可以按照地理位置上的区域进行划分。但由于通常经济状态的监控和规划是按照行政区划执行的,因此优选按照行政区划进行划分的方式。例如,待预测区域可以是一个国家,可以是一个省份,一个城市,等等。
在实际使用过程中,建立模型时使用的地理位置点活跃数据、经济指标数据的类型需要与使用模型进行预测时使用的地理位置点活跃数据、经济指标数据的类型一致。建立模型时所针对的区域也需要与预测时所针对的区域一致。
举个例子,将全国从2018年1月到11月的V3数据、NVC数据以及 GDP数据作为一个训练数据,将全国从2018年2月到12月的V3数据、 NVC数据以及GDP数据作为一个训练数据,将全国从2018年3月到2019 年1月的V3数据、NVC数据以及GDP数据作为一个训练数据,等等。可以构造很多个训练数据。
在402中,将获取的连续M个时段的地理位置点活跃数据和实际经济指标数据作为训练数据,训练时序模型,得到针对上述待预测区域的经济状态预测模型。
训练过程实际上是经济状态预测模型在训练过程中学习地理位置点活跃数据的时间分布与经济指标数据的时间分布之间的正相关关系。
同样,如图5中所示,经济状态预测模型所采用的时序模型可以包括:输入层、内嵌层和预测层。
输入层,用于将训练数据中各时段的地理位置点活跃数据的特征向量输出至内嵌层。
在训练经济状态预测模型时,训练数据所采用的时段的个数需要与使用该模型进行预测时使用的时段个数一致。如果要实现实施例一中所述的预测,则每个训练样本的时段个数为N+1,即每N+1个连续时段的地理位置点活跃数据和世纪经济指标数据作为一个训练样本。因为是N个连续时段的地理位置点活跃数据来预测第N+1时段的经济指标数据。因此如图5 中所示,对于N个时段的输入特征向量,从第1个至第N个可以分别表示为:x1,…,xN。按照时序分别输出至内嵌层。
内嵌层,用于将第i个时段的地理位置点活跃数据的特征向量xi与第 i-1个时段对应的内嵌层向量hi-1进行加权处理后,得到第i个时段对应的内嵌层向量hi,其中第i个时段依时间顺序分别取训练数据中目标时段之前的各时段;以及将目标时段之前一个时段对应的内嵌层向量乘以加权系数后,得到目标时段对应的内嵌层向量。
上面已经描述了,一个训练样本是包含N+1个时段的,训练时使用的是一个训练样本中前N个时段的地理位置点活跃数据,目标时段为第N+1 时段。
其中,前N个时段对应的hi和λi的计算方法可以参见实施例一中的公式(1)和公式(2)在此不做赘述。
第N+1个时段即目标时段的hi的计算方法可以采用实施例一中的公式(3)。
对于每个时段而言,都能够计算出对应的内嵌层向量,并输出给预测层。
预测层,用于依据目标时段对应的内嵌层向量,映射得到目标时段的经济指标数据。
对于目标时段对应的经济指标数据yN+1可以采用以下公式:
yN+1=VhN+1 (5)
其中,V的含义与实施例一中公式(4)中V的含义相同,不做赘述。
而对于除了目标时段之前的其他时段i的经济指标数据,则也可以采用类似公式(5)的方式计算得到,差别仅仅在于目标时段和其他时段在内嵌层中计算内嵌层向量的方式不同。
经过计算后,每个时段(包括待预测时段)都能够计算得到预测层预测的经济指标数据,在训练数据中每个时段都有实际经济指标数据,因此在模型训练过程中,可以最小化预测层得到的经济指标数据与训练数据中对应的实际经济指标数据的差值。
可以利用上述差值构造损失函数,利用损失函数的取值优化模型参数,其中涉及的模型参数包括Ul×k、V、w和b。具体地,预测层会输出针对每个时段预测的经济指标数据,即每个时段都得到一个损失函数,利用每个时段的损失函数的取值优化模型参数。训练结束后可以得到如图3 中所示的经济状况预测模型。
以上是对本申请提供的方法进行的详细描述,下面结合实施例对本申请提供的装置进行详细描述。
实施例三、
图6为本申请实施例三提供的预测经济状态的装置结构图,该装置可以位于计算机设备的应用,或者还可以为位于计算机设备的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,或者,还可以位于服务器端,本发明实施例对此不进行特别限定,该装置包括:数据获取单元01和预测处理单元02。其中各组成单元的主要功能如下:
数据获取单元01,用于从地图类应用数据中,分别针对待预测区域获取待预测时段以及待预测时段之前N个历史时段的地理位置点活跃数据, N为正整数。
预测处理单元02,用于从地图类应用数据中,分别针对待预测区域获取未来待预测时段之前N个历史时段的地理位置点活跃数据,N为正整数。
其中,经济状态预测模型采用时序模型建立了地理位置点活跃数据的时间分布与经济指标数据的时间分布之间的正相关关系。
具体地,经济状态预测模型包括:输入层、内嵌层和预测层。
输入层,用于将待预测时段之前N个历史时段的地理位置点活跃数据的特征向量表示输出至内嵌层。
内嵌层,用于将输入的第i个时段的地理位置点活跃数据的特征向量 xi与第i-1个时段对应的内嵌层向量hi-1进行加权处理后,得到第i个时段对应的内嵌层向量hi,其中第i个时段依时间顺序分别取N个历史时段中的各时段;以及,将待预测时段之前一个时段对应的内嵌层向量乘以加权系数后,得到待预测时段对应的内嵌层向量。
预测层,用于依据待预测时段对应的内嵌层向量,映射得到待预测时段的经济指标数据。
地理位置点活跃数据包括以下至少一种:用户访问商业类地理位置点的数据、新增商业类地理位置点的数据、用户查询商业类地理位置点的数据以及有效商业类地理位置点的数据。
经济指标数据包括以下至少一种:GDP、PMI以及CPI。
该装置在预测待预测地区在待预测时段的经济状态时,也可以按照行业进行划分,例如预测待预测地区在待预测时段的某行业经济状态,那么数据获取单元01在获取地理位置点活跃数据时,就获取与该行业相关的地理位置点活跃数据。也就是说,地理位置点类型能够与行业相关联。例如,在预测旅游业的经济状态时,可以获取诸如酒店、宾馆、景区等类型的地理位置点活跃数据。例如,在预测零售业的经济状态时,可以获取诸如商场、超市、便利店等类型的地理位置点活跃数据。
实施例四、
图7为本申请实施例四提供的建立经济状态预测模型的结构图,该装置可以位于计算机设备的应用,或者还可以为位于计算机设备的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,或者,还可以位于服务器端,本发明实施例对此不进行特别限定,该装置包括:数据获取单元11和模型训练单元12。其中各组成单元的主要功能如下:
数据获取单元11,用于从地图类应用数据中,分别针对待预测区域获取连续M个时段的地理位置点活跃数据;以及从经济指标数据库中获取待预测区域分别在M个时段的实际经济指标数据,M为大于1的正整数。
模型训练单元12,用于将获取的连续M个时段的地理位置点活跃数据和实际经济指标数据作为训练数据,训练时序模型,得到针对待预测区域的经济状态预测模型。
经济状态预测模型用以根据待预测区域在未来待预测时段之前N个历史时段的地理位置点活跃数据,输出待预测区域在待预测时段的经济指标数据,N为正整数,M≥N。
其中,经济状态预测模型在训练过程中学习地理位置点活跃数据的时间分布与经济指标数据的时间分布之间的正相关关系。
具体地,经济状态预测模型可以包括:输入层、内嵌层和预测层。
输入层,用于从训练数据中选取多个时段分别作为目标时段,将训练数据中各时段的地理位置点活跃数据的特征向量输出至内嵌层。
内嵌层,用于将第i个时段的地理位置点活跃数据的特征向量xi与第 i-1个时段对应的内嵌层向量hi-1进行加权处理后,得到第i个时段对应的内嵌层向量hi,其中第i个时段依时间顺序分别取训练数据中目标时段之前的各时段;以及,将目标时段之前一个时段对应的内嵌层向量乘以加权系数后,得到目标时段对应的内嵌层向量。
预测层,用于依据目标时段对应的内嵌层向量,映射得到目标时段的经济指标数据。
经济状态预测模型的训练目标为最小化预测层得到的经济指标数据与训练数据中对应的实际经济指标数据的差值。
另外,在预测层中除了目标时段之外,对于其他时段也能够依据各时段对应的内嵌层向量,分别映射得到各时段的经济指标数据。也就是说,每个时段(包括目标时段)都能够计算得到预测层预测的经济指标数据,在训练数据中每个时段都有实际经济指标数据,因此在模型训练过程中,可以最小化预测层得到的经济指标数据与训练数据中对应的实际经济指标数据的差值。具体地,预测层会输出针对每个时段预测的经济指标数据,即每个时段都得到一个损失函数,利用每个时段的损失函数的取值优化模型参数。训练结束后可以得到如图3中所示的经济状况预测模型。
上述地理位置点活跃数据包括以下至少一种:用户访问商业类地理位置点的数据、新增商业类地理位置点的数据、用户查询商业类地理位置点的数据以及有效商业类地理位置点的数据。
经济指标数据包括以下至少一种:国民生产总值GDP、经理人采购指数PMI以及居民消费指数CPI。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,是根据本申请实施例的预测经济状态、建立经济状态预测模型的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图8中以一个处理器801 为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的预测经济状态、建立经济状态预测模型的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的预测经济状态、建立经济状态预测模型的方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的预测经济状态、建立经济状态预测模型的方法对应的程序指令/模块。处理器 801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的预测经济状态、建立经济状态预测模型的方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据该电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与该电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED) 和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (19)
1.一种预测经济状态的方法,其特征在于,该方法包括:
从地图类应用数据中,分别针对待预测区域获取未来待预测时段之前N个历史时段的地理位置点活跃数据,所述N为正整数;
将所述待预测时段之前N个历史时段的地理位置点活跃数据的特征向量分别输入预先训练得到的经济状态预测模型,得到所述待预测区域在所述待预测时段的经济指标数据。
2.根据权利要求1所述的方法,其特征在于,所述经济状态预测模型采用时序模型建立了地理位置点活跃数据的时间分布与经济指标数据的时间分布之间的强关联关系。
3.根据权利要求2所述的方法,其特征在于,所述经济状态预测模型包括:输入层、内嵌层和预测层;
所述输入层,用于将待预测时段之前N个历史时段的地理位置点活跃数据的特征向量表示输出至内嵌层;
所述内嵌层,用于将输入的第i个时段的地理位置点活跃数据的特征向量xi与第i-1个时段对应的内嵌层向量hi-1进行加权处理后,得到第i个时段对应的内嵌层向量hi,其中所述第i个时段依时间顺序分别取所述N个历史时段中的各时段;以及,将所述待预测时段之前一个时段对应的内嵌层向量乘以加权系数后,得到所述待预测时段对应的内嵌层向量;
所述预测层,用于依据所述待预测时段对应的内嵌层向量,映射得到所述待预测时段的经济指标数据。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述地理位置点活跃数据包括以下至少一种:
用户访问商业类地理位置点的数据、新增商业类地理位置点的数据、用户查询商业类地理位置点的数据以及有效商业类地理位置点的数据;
所述经济指标数据包括以下至少一种:
国民生产总值GDP、经理人采购指数PMI以及居民消费指数CPI。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述地理位置点活跃数据为特定行业所对应地理位置点类型的地理位置点活跃数据;
得到的所述经济指标数据为针对所述特定行业的经济指标数据。
6.一种建立经济状态预测模型的方法,其特征在于,该方法包括:
从地图类应用数据中,分别针对待预测区域获取连续M个时段的地理位置点活跃数据;以及从经济指标数据库中获取所述待预测区域分别在所述M个时段的实际经济指标数据,所述M为大于1的正整数;
将获取的所述连续M个时段的地理位置点活跃数据和实际经济指标数据作为训练数据,训练时序模型,得到针对所述待预测区域的经济状态预测模型;
所述经济状态预测模型用以根据所述待预测区域在未来待预测时段之前N个历史时段的地理位置点活跃数据,输出所述待预测区域在所述待预测时段的经济指标数据,所述N为正整数,M≥N。
7.根据权利要求6所述的方法,其特征在于,所述经济状态预测模型在训练过程中学习地理位置点活跃数据的时间分布与经济指标数据的时间分布之间的强关联关系。
8.根据权利要求7所述的方法,其特征在于,所述经济状态预测模型包括:输入层、内嵌层和预测层;
所述输入层,用于从所述训练数据中选取多个时段分别作为目标时段,将所述训练数据中各时段的地理位置点活跃数据的特征向量输出至内嵌层;
所述内嵌层,用于将第i个时段的地理位置点活跃数据的特征向量xi与第i-1个时段对应的内嵌层向量hi-1进行加权处理后,得到第i个时段对应的内嵌层向量hi,其中所述第i个时段依时间顺序分别取所述训练数据中目标时段之前的各时段;以及,将所述目标时段之前一个时段对应的内嵌层向量乘以加权系数后,得到所述目标时段对应的内嵌层向量;
所述预测层,用于依据目标时段对应的内嵌层向量,映射得到所述目标时段的经济指标数据;
所述经济状态检测模型的训练目标为最小化所述预测层得到的经济指标数据与训练数据中对应的实际经济指标数据的差值。
9.根据权利要求6至8任一项所述的方法,其特征在于,所述地理位置点活跃数据包括以下至少一种:
用户访问商业类地理位置点的数据、新增商业类地理位置点的数据、用户查询商业类地理位置点的数据以及有效商业类地理位置点的数据;
所述经济指标数据包括以下至少一种:
国民生产总值GDP、经理人采购指数PMI以及居民消费指数CPI。
10.一种预测经济状态的装置,其特征在于,该装置包括:
数据获取单元,用于从地图类应用数据中,分别针对待预测区域获取未来待预测时段之前N个历史时段的地理位置点活跃数据,所述N为正整数;
预测处理单元,用于将所述待预测时段之前N个历史时段的地理位置点活跃数据的特征向量分别输入预先训练得到的经济状态预测模型,得到所述待预测区域在所述待预测时段的经济指标数据。
11.根据权利要求10所述的装置,其特征在于,所述经济状态预测模型采用时序模型建立了地理位置点活跃数据的时间分布与经济指标数据的时间分布之间的强关联关系。
12.根据权利要求11所述的装置,其特征在于,所述经济状态预测模型包括:输入层、内嵌层和预测层;
所述输入层,用于将待预测时段之前N个历史时段的地理位置点活跃数据的特征向量表示输出至内嵌层;
所述内嵌层,用于将输入的第i个时段的地理位置点活跃数据的特征向量xi与第i-1个时段对应的内嵌层向量hi-1进行加权处理后,得到第i个时段对应的内嵌层向量hi,其中所述第i个时段依时间顺序分别取所述N个历史时段中的各时段;以及,将所述待预测时段之前一个时段对应的内嵌层向量乘以加权系数后,得到所述待预测时段对应的内嵌层向量;
所述预测层,用于依据所述待预测时段对应的内嵌层向量,映射得到所述待预测时段的经济指标数据。
13.根据权利要求10至12中任一项所述的装置,其特征在于,所述地理位置点活跃数据包括以下至少一种:
用户访问商业类地理位置点的数据、新增商业类地理位置点的数据、用户查询商业类地理位置点的数据以及有效商业类地理位置点的数据;
所述经济指标数据包括以下至少一种:
国民生产总值GDP、经理人采购指数PMI以及居民消费指数CPI。
14.一种建立经济状态预测模型的装置,其特征在于,该装置包括:
数据获取单元,用于从地图类应用数据中,分别针对待预测区域获取连续M个时段的地理位置点活跃数据;以及从经济指标数据库中获取所述待预测区域分别在所述M个时段的实际经济指标数据,所述M为大于1的正整数;
模型训练单元,用于将获取的所述连续M个时段的地理位置点活跃数据和实际经济指标数据作为训练数据,训练时序模型,得到针对所述待预测区域的经济状态预测模型;
所述经济状态预测模型用以根据所述待预测区域在未来待预测时段之前N个历史时段的地理位置点活跃数据,输出所述待预测区域在所述待预测时段的经济指标数据,所述N为正整数,M≥N。
15.根据权利要求14所述的装置,其特征在于,所述经济状态预测模型在训练过程中学习地理位置点活跃数据的时间分布与经济指标数据的时间分布之间的强关联关系。
16.根据权利要求15所述的装置,其特征在于,所述经济状态预测模型包括:输入层、内嵌层和预测层;
所述输入层,用于从所述训练数据中选取多个时段分别作为目标时段,将所述训练数据中各时段的地理位置点活跃数据的特征向量输出至内嵌层;
所述内嵌层,用于将第i个时段的地理位置点活跃数据的特征向量xi与第i-1个时段对应的内嵌层向量hi-1进行加权处理后,得到第i个时段对应的内嵌层向量hi,其中所述第i个时段依时间顺序分别取所述训练数据中目标时段之前的各时段;以及,将所述目标时段之前一个时段对应的内嵌层向量乘以加权系数后,得到所述目标时段对应的内嵌层向量;
所述预测层,用于依据目标时段对应的内嵌层向量,映射得到所述目标时段的经济指标数据;
所述经济状态检测模型的训练目标为最小化所述预测层得到的经济指标数据与训练数据中对应的实际经济指标数据的差值。
17.根据权利要求14至15中任一项所述的装置,其特征在于,所述地理位置点活跃数据包括以下至少一种:
用户访问商业类地理位置点的数据、新增商业类地理位置点的数据、用户查询商业类地理位置点的数据以及有效商业类地理位置点的数据;
所述经济指标数据包括以下至少一种:
国民生产总值GDP、经理人采购指数PMI以及居民消费指数CPI。
18.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360886.6A CN111667095A (zh) | 2020-04-30 | 2020-04-30 | 预测经济状态、建立经济状态预测模型的方法及对应装置 |
US16/952,904 US20210342867A1 (en) | 2020-04-30 | 2020-11-19 | Methods for predicting economic state and establishing economic state prediction model and corresponding apparatuses |
EP21163927.3A EP3905063A1 (en) | 2020-04-30 | 2021-03-22 | Methods for predicting economic state and establishing economic state prediction model and corresponding apparatuses |
KR1020210056920A KR20210134521A (ko) | 2020-04-30 | 2021-04-30 | 경제 상태 예측 방법, 경제 상태 예측 모델 구축 방법 및 대응하는 장치 |
JP2021077050A JP7338106B2 (ja) | 2020-04-30 | 2021-04-30 | 経済状態の予測方法、経済状態予測モデルの構築方法及び対応装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360886.6A CN111667095A (zh) | 2020-04-30 | 2020-04-30 | 预测经济状态、建立经济状态预测模型的方法及对应装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111667095A true CN111667095A (zh) | 2020-09-15 |
Family
ID=72383043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010360886.6A Pending CN111667095A (zh) | 2020-04-30 | 2020-04-30 | 预测经济状态、建立经济状态预测模型的方法及对应装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210342867A1 (zh) |
EP (1) | EP3905063A1 (zh) |
JP (1) | JP7338106B2 (zh) |
KR (1) | KR20210134521A (zh) |
CN (1) | CN111667095A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112269930A (zh) * | 2020-10-26 | 2021-01-26 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
CN112819231A (zh) * | 2021-02-05 | 2021-05-18 | 北京明略昭辉科技有限公司 | 用于预测家庭户数的方法、装置及设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051173B (zh) * | 2023-03-30 | 2023-06-30 | 安徽交欣科技股份有限公司 | 一种客流量预测方法、***及公交派车方法 |
CN116910457B (zh) * | 2023-09-13 | 2023-12-08 | 北京师范大学 | 一种基于区域的污染物反演方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966228A (zh) * | 2015-06-15 | 2015-10-07 | 昆明理工大学 | 一种基于arima与lssvm模型的cpi组合预测方法 |
CN108364200A (zh) * | 2018-02-28 | 2018-08-03 | 国信优易数据有限公司 | 一种宏观经济趋势预估***及方法 |
CN108428205A (zh) * | 2018-02-06 | 2018-08-21 | 武汉大学 | 一种城市公共地图用户访问量差异因素分析方法 |
CN109376899A (zh) * | 2018-08-31 | 2019-02-22 | 阿里巴巴集团控股有限公司 | 一种经济波动数据确定方法及装置 |
CN111028019A (zh) * | 2019-12-17 | 2020-04-17 | 常熟市网派电子商务有限公司 | 一种网络商城运营数据分析方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08314892A (ja) * | 1995-05-18 | 1996-11-29 | Hitachi Ltd | 計量経済モデルにニューラルネットを適用した金利予測システム |
US20150006435A1 (en) * | 2013-07-01 | 2015-01-01 | Yaniv Konchitchki | Methods and systems for forecasting economic movements |
US20160034931A1 (en) * | 2014-07-31 | 2016-02-04 | Applied Predictive Technologies, Inc. | Systems and methods for generating a location specific index of economic activity |
JP6955888B2 (ja) * | 2017-04-14 | 2021-10-27 | ヤフー株式会社 | 予測装置、予測方法、及び予測プログラム |
JP6875231B2 (ja) * | 2017-09-06 | 2021-05-19 | 株式会社Nttドコモ | 情報処理装置 |
-
2020
- 2020-04-30 CN CN202010360886.6A patent/CN111667095A/zh active Pending
- 2020-11-19 US US16/952,904 patent/US20210342867A1/en not_active Abandoned
-
2021
- 2021-03-22 EP EP21163927.3A patent/EP3905063A1/en not_active Ceased
- 2021-04-30 JP JP2021077050A patent/JP7338106B2/ja active Active
- 2021-04-30 KR KR1020210056920A patent/KR20210134521A/ko not_active Application Discontinuation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966228A (zh) * | 2015-06-15 | 2015-10-07 | 昆明理工大学 | 一种基于arima与lssvm模型的cpi组合预测方法 |
CN108428205A (zh) * | 2018-02-06 | 2018-08-21 | 武汉大学 | 一种城市公共地图用户访问量差异因素分析方法 |
CN108364200A (zh) * | 2018-02-28 | 2018-08-03 | 国信优易数据有限公司 | 一种宏观经济趋势预估***及方法 |
CN109376899A (zh) * | 2018-08-31 | 2019-02-22 | 阿里巴巴集团控股有限公司 | 一种经济波动数据确定方法及装置 |
CN111028019A (zh) * | 2019-12-17 | 2020-04-17 | 常熟市网派电子商务有限公司 | 一种网络商城运营数据分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
张召冉: "《岩巷钻爆法掘进速度影响因子分析、预测及综合评价研究》", 31 March 2019 * |
耿继原: ""基于社交地理大数据的城市热点区域探测与挖掘"", 《中国博士学位论文全文数据库 基础科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112269930A (zh) * | 2020-10-26 | 2021-01-26 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
CN112269930B (zh) * | 2020-10-26 | 2023-10-24 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
CN112819231A (zh) * | 2021-02-05 | 2021-05-18 | 北京明略昭辉科技有限公司 | 用于预测家庭户数的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
JP2021174560A (ja) | 2021-11-01 |
JP7338106B2 (ja) | 2023-09-05 |
KR20210134521A (ko) | 2021-11-10 |
EP3905063A1 (en) | 2021-11-03 |
US20210342867A1 (en) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111538904B (zh) | 用于推荐兴趣点的方法和装置 | |
CN111667095A (zh) | 预测经济状态、建立经济状态预测模型的方法及对应装置 | |
US11630560B2 (en) | Map information display method and apparatus, electronic device, and computer storage medium | |
US20210224821A1 (en) | Land usage property identification method, apparatus, electronic device and storage medium | |
US20240127136A1 (en) | Wait Time Prediction | |
US9467815B2 (en) | Systems and methods for generating a user location history | |
CN111325382B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
CN111310987B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
CN111523031B (zh) | 用于推荐兴趣点的方法和装置 | |
CN112000893B (zh) | 常驻区域预测方法、装置、设备及存储介质 | |
CN108415960A (zh) | 一种地理位置服务的实现方法及装置,电子设备 | |
CN107506499A (zh) | 兴趣点与建筑物之间建立逻辑关系的方法、装置及服务器 | |
CN111292549A (zh) | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 | |
CN110930187A (zh) | 店铺到访人群挖掘方法、装置、设备和介质 | |
CN110659427A (zh) | 基于多源数据的城市功能划分方法、装置和电子设备 | |
CN112115387B (zh) | 兴趣点poi推荐模型的训练方法、装置和电子设备 | |
CN111694914B (zh) | 用户常驻区域确定方法及装置 | |
CN110472192A (zh) | 评价指标提取方法、装置、存储介质和服务器 | |
CN111680873A (zh) | 监测经济状态、建立经济状态监测模型的方法及对应装置 | |
CN106528748B (zh) | 一种用于确定地域词库的方法与装置 | |
KR101744776B1 (ko) | 지도 검색 기록을 이용한 유동인구 추정 장치 및 방법 | |
Abdel-Fatao et al. | Unifying spatial, temporal and semantic features for an effective GPS trajectory-based location recommendation | |
US20170169025A1 (en) | Estimating Geographic Entity Capacity | |
CN112861023A (zh) | 地图信息处理方法、装置、设备、存储介质及程序产品 | |
CN113076389A (zh) | 文章地域识别方法、装置、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |