[发明专利]一种基于CNN-LSTM的CPI预测模型及方法

权利要求书

1.一种基于CNN-LSTM的CPI预测方法，其特征在于，包括以下步骤：

将所有商品期货的交易数据拼接成二维面板数据，所述二维面板数据包含空间特征和时间特征；

通过卷积神经网络的卷积层对每个时刻输入的二维面板数据采用多个卷积核对面板数据进行扫描，通过卷积运算提取特征，并对提取到的特征进行池化运算，以获得区域向量；

将获得的区域向量作为LSTM网络的输入，并由LSTM网络输出CPI的预测值。

2.根据权利要求1所述的方法，其特征在于，训练CNN-LSTM预测模型步骤包括：

在网络预训练阶段，模型采用t₀时刻之前的数据集训练深度网络；当训练完成以后，进入动态训练和预测阶段；对于每一个t_n时刻的数据，CNN-LSTM预测模型采用t_n时刻之前包括t_n时刻的数据作为训练集训练网络，预测[t_n,t_n+T_n)时间段内的CPI值；预测完成之后，滑动时间窗口，采用t_n+1＝t_n+T_n时刻之前的数据训练网络；重复上述过程，不断滑动时间窗口，直至t_N时刻，所有数据预测完成。

3.根据权利要求1所述的方法，其特征在于，测试集上的面版数据和CPI数据损失函数定义为：

其中，X＝{x⁽¹⁾,x⁽²⁾,…,x^(m)}表示m个时刻的面板数据，Y＝{y⁽¹⁾,y⁽²⁾,…,y^(m)}表示每一个时刻CPI的实际值，h(x⁽ⁱ⁾)表示每一个时刻CPI的预测值，m表示一共有m个时刻。

4.根据权利要求1所述的方法，其特征在于，LSTM网络的预测描述如下：

式中，X_t表示t时刻的面板数据，W_f，W_o，R_f和R_o表示CNN-LSTM网络的权重，b_o和b_f表示网络的偏置；f_t、c_t、i_t和o_t分别表示t时刻的遗忘门、记忆储存、输入门和输出门，y_t表示网络的输出，也就是CPI的预测值；Tanh代表双曲线正切函数。

5.一种基于CNN-LSTM的CPI预测模型，其特征在于，包括：网络预训练阶段和网络动态训练和预测阶段，在网络预训练阶段，模型采用t₀时刻之前的数据集训练深度网络；当训练完成以后，进入动态训练和预测阶段；在这个阶段，对于每一个t_n时刻的数据，CNN-LSTM预测模型采用t_n时刻之前包括t_n时刻的数据作为训练集训练网络，预测[t_n,t_n+T_n)时间段内的CPI值；预测完成之后，滑动时间窗口，采用t_n+1＝t_n+T_n时刻之前的数据训练网络；重复上述过程，不断滑动时间窗口，直至t_N时刻，所有数据预测完成。

6.根据权利要求1所述的预测模型，其特征在于，还包括BN层和Droupout层。