[发明专利]一种基于深度学习的预测县级单位时序GDP的方法

说明书

本发明提供了一种基于深度学习的预测县级单位时序GDP的方法，包括：首先基于GEE平台收集和管理研究区域内时间序列的多源遥感数据和县级矢量边界数据及年度县级GDP数据；然后基于GEE平台进行数据处理，并提出一种基于直方图统计的特征提取方法，将特征封装为深度学习所需的张量，按照时间将数据划分为训练集和验证集；再基于卷积神经网络建立深度学习体系结构，并将数据特征张量输入到网络中利用历史数据进行训练，保存训练后的模型；最后将验证实际数据输入模型，得到预测结果。本发明所提出的技术方案可以提高预测精度，节省人力成本，有利于帮助相关部门和政府统计到准确的社会经济数据，从而有针对性的提供产业援助和制定政策。

技术领域

本发明涉及遥感数据地表参数反演技术领域，尤其涉及一种基于深度学习的预测县级单位时序GDP的方法。

背景技术

国内生产总值(GDP)作为经济增长分析中最重要的变量，代表了一个国家(或地区)所有常住单位在一定时期内生产活动的最终成果，在评价一个国家或地区的经济表现方面发挥着重要作用。然而，现存比较严重的问题是GDP数据往往被错误的衡量，特别是在发展中国家，经济活动比例不高，区域内的经济一体化程度较低，基础设施比较薄弱，这些因素使得相关部门难以统计准确的社会经济数据、贫困程度以及产业活动占比等等，从而难以帮助相关政府有针对性的提供产业援助和制定政策。即便在部分发达国家，有较完整的统计数据，但由于预测使用的模型都是线性，难以实现对时间序列GDP数据的预测，目前较为常用的线性回归模型等方法准确率都不高。

相较于传统统计数据的收集需要消耗大量劳动力和时间，遥感数据更容易获取，成本更低，并且本身具有多尺度、多种时空分辨率等特点。其中夜间灯光遥感数据DMSP/OLS(Defense Meteorological Satellite Program/Operational Linescan System)，在GDP估算研究中使用的最广泛。自20世纪90年代末以来，遥感夜光(NTL)卫星图像已被证明与城市化、经济活动和人口在内的多种社会经济参数具有相关性。在缺乏可靠统计数据的国家区域和次级国家区域下，对于探测、估计和监测社会经济动态尤其有价值。但夜间灯光数据也具有局限性，很难全面准确地表达GDP的空间异质性分布。一方面是由于夜间灯光数据在农业地区的表现能力较差，不能反映无灯光区域(大部分为在农业用地)的GDP贡献；另一方面在某些强照明的研究区域，例如火力发电等地区，使用夜间灯光数据可能会高估该区域的GDP总量，而在以煤炭和铁矿石行业为主的地区，GDP的总量则会被低估。此外，由于土地利用动态和城市扩张与经济潜在驱动力存在联系，除了灯光数据，中等分辨率卫星数据、地面覆盖数据等也可以被用来进行GDP估算。已有很多研究证明了多时相的陆地卫星影像与社会经济数据建模的合理性；综合利用多种遥感数据，多源数据优势互补，是GDP估算的新方向。

在特征选择上，现有方法大多使用均值特征，或者总量特征，然而这些特征只能表达单一的数值信息，并且由于每一个县级区域内，特征值本身在空间分布上就具有差异，直接取均值或者总量来代替整个区域的特征值，可能会影响到后面训练的精度结果。而以直方图的形式提取特征信息，则可以更好的发现特征发布情况，挖掘出更多的特征信息。

在模型的选择上。目前用遥感数据对GDP进行预测的模型大多都是线性回归模型，另外一些其他的例如二次多项式模型，幂函数模型也常被拿来建模。但线性模型也存在一定的瑕疵，首先预测结果的精度不是特别高，存在较大误差，此外就是在对时序GDP预测时，效果不理想。很多研究都发现，在采用时序数据基于线性模型进行预测时，同一年内对空间分布不同的区域的GDP预测效果较好，而在对跨年或时间跨度较大的预测效果很差。