(19)中华 人民共和国 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 202111628933.1 (22)申请日 2021.12.28 (71)申请人 人木咨询(北京)有限公司 地址 100071 北京市丰台区造甲街1 10号31 幢一层A1-232 (72)发明人 刘嘉　王昊文　彭奕琦　赵涛　 张磊　张永平　孙博伟　孟冲　 赵云飞　梁鄯文　 (74)专利代理 机构 深圳市创富知识产权代理有 限公司 4 4367 代理人 高冰 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/26(2012.01) (54)发明名称 一种基于N-BEATS的GD P预测方法 (57)摘要 本发明公开了一种基于N ‑BEATS的GDP预测 方法， 包括： 在数据平台下载原始GDP数据集； 对 原始GDP数据集进行数据预处理， 得到预处理后 的GDP数据集； 对预处理后的GDP数据集进行特征 选择， 提取预处理后的GDP数据集的数据特征； 建 立N‑BEATS模型； 将预处理之后的GDP数据集对 N‑ BEATS模型进行训练， 得到训练好的N ‑BEATS模 型； 基于原始GDP数据集， 采用训练好的N ‑BEATS 模型对待预测的GDP进行预测。 本发明更易于训 练， 预测的准确性也有所提高， 同时它可 以提供 可解释的输出， 使用尽可能少的先备知识， 即大 幅减小训练集数据量， 缩短训练时间， 预测效率 优于LSTM和SVM模型。 权利要求书1页 说明书5页 附图4页 CN 114298411 A 2022.04.08 CN 114298411 A 1.一种基于N ‑BEATS的GD P预测方法， 其特 征在于， 包括以下步骤： S101： 在数据平台下 载原始GDP数据集； S102： 对所述原 始GDP数据集进行 数据预处 理， 得到预处 理后的GD P数据集； S103： 对所述预处理后的GDP数据集进行特征选择， 提取所述预处理后的GDP数据集的 数据特征； S104： 建立 N‑BEATS模型； S105： 将所述预处理之后的GDP数据集对所述N ‑BEATS模型进行训练， 得到训练好的N ‑ BEATS模型； S106： 基于所述原始GDP数据集， 采用所述训练好的N ‑BEATS模型对待预测的GDP进行预 测。 2.如权利要求1所述的一种基于N ‑BEATS的GDP预测方法， 其特征在于： 所述步骤S101 中， 所述数据平台具体包括但不限于国家统计局， 所述原始GDP数据集具体包括但不限于 1980‑2020年的中国年度GD P、 季度GD P数据集。 3.如权利要求1所述的一种基于N ‑BEATS的GDP预测方法， 其特征在于： 所述步骤S102 中， 对所述原始GDP数据集进 行数据预 处理方法具体包括但不限于对 单变量数据进 行重建， 其中数据处 理软件具体包括但不限于Pytho n、 MATLAB。 4.如权利要求1所述的一种基于N ‑BEATS的GDP预测方法， 其特征在于， 所述步骤S103 中， 具体包括： S301： 将所述预处理后的GDP 数据集使用MinMaxScaler归一化处理， 得到归一化处理后 的GDP数据集； S302： 使用特征选择方法对所述归一化处理后的GDP数据集进行特征选择， 提取所述预 处理后的GD P数据集的数据特 征。 5.如权利 要求4所述的一种基于N ‑BEATS的GDP预测方法， 其特征在于， 所述特征选择方 法具体包括但 不限于Filter_方差选择法、 Wrapper_单变量特征选择， 所述特征选择的评估 指标包括但不限于explai ned_variance_score。 6.如权利要求1所述的一种基于N ‑BEATS的GDP预测方法， 其特征在于， 所述步骤S104 中， 所述N ‑BEATS模型包括但 不限于由两个通用块堆叠而成的堆栈， 其构成为不可解释的通 用模型； 另一种由1个趋势性 块和1个季节性 块堆叠而成的堆栈， 构成可解释模型。权　利　要　求　书 1/1 页 2 CN 114298411 A 2一种基于N ‑BEATS的GDP预测方 法 技术领域 [0001]本发明涉及计算机预测模型技术领域， 尤其涉及一种基于N ‑BEATS的GDP预测方 法。 背景技术 [0002]GDP(Gross  Domestic Product， 国内生产总值)， 指某一国家或地区在一定时期内 的所有的常住人群进行生产 活动所产出 的最终成果。 GDP不仅是核算国民经济的一项核心 指标， 同时也是衡量这个国家或地区在这一定时期内其经济状况好坏和发展 水平快慢的指 标之一。 与此同时， 政府和企业可以参考GDP的增 速进行宏观调控和调整融资决策。 在宏观 经济学的众多研究领域中， 对于 GDP的预测是其中重要的研究部 分之一。 而现如今随着国内 外经济形势越来越复杂多变， 在我国供给侧结构性改革的作用下， 经济增长受到经济结构 性特征的影响， 同时国际贸易中不断涌现的摩擦和竞争也导致我国的经济增长充满不确定 性， 种种原因直接导 致预测GD P的难度也大 大增加。 [0003]为保证在复杂 情况下GDP的预测仍有较高的精准度， 需要采取合适的预测方法， 建 立合理的预测模型。 现有的预测GDP的主要模型大致分为两类， 其中一类被称为线性模型， 这类模型包括贝叶斯向量自回归模 型(BVAR)、 差分整合移动平均自回归模 型(ARIMA)等。 其 中BVAR模 型是基于向量自回归(VAR)模型， 并采用先验信息的贝叶斯技术， 从而结合样 本信 息形成的一种更优 型的预测模 型。 ARIMA模 型由三个模型共同组成， 这三个模型分别称为自 回归模型AR， 差分模型I和移动平均模 型MA。 作为描述时间序列数据随机过程的一个重要模 型， ARIMA模 型中的I模 型可以将数据中的趋势去除， 从而使 得序列拥有稳定状态， 便于后 期 的AR模型对序列的拟合， 而移动平均模型 是用于构建出系统噪声的回归方程。 [0004]另外一类预测模型统称 为非线性模型， 其中包括人工神经网络模型(ANN)、 长短期 记忆神经网络模型(LSTM)和支持向量机算法模型(SVM)。 这类模型采用人工智能领域的非 线性方法， 通过处理高频多维度和非线性的数据从而达到预测GDP效果， 使用神经网络模型 预测GDP得到的预测误差相较于线性模 型要降低大约25％。 由于GDP的预测需要考虑到经济 学中存在的时序关系， 传统的A NN模型在计算时无法反映出样 本之间的时间序列关系。 不同 于ANN模型， LSTM模型可以做到反映样本之间的时序关系， LSTM模型由记忆门、 遗忘门以及 输出门共同组成， 其中记忆门负责确定信息是否会被保留， 遗忘门则是负责减少数据 处理 过程中的冗余信息， 从而提高数据 处理的速度； 输出门起到输出当前状态值和隐藏状态的 作用， LSTM模型在处理数据的过程中可以对上一个状态的信息进行处理， 然后传递给下一 个状态， 依靠这种机制， LSTM模 型在处理 时序数据方面有比较广泛的应用， 包括在经济和金 融领域。 支持向量机算法(SVM)作为一种处理高度非线性分类和回归问题的小样本学习 方 法， 不涉及大数定律和概率测度， 这种方法可以避免人工神经网络在数据 处理时的各种问 题， 例如欠学习、 过学习和局部极小的问题， SVM方法可以通过非线性映射将样本空间映射 到一个高维的特征 空间， 通过一个线性超平面 实现线性划分或线性回归。 SVM方法将占样本 集中的少数支持向量样本加权， 而这些少数支持向量可以决定最 终的计算结果。 近年来SVM说　明　书 1/5 页 3 CN 114298411 A 3