[发明专利]一种基于CNN-LSTM的CPI预测模型及方法

说明书

本发明涉及一种基于CNN‑LSTM的CPI数预测模型及方法，其中，方法包括以下步骤：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。通过采用CNN‑LSTM学习期货数据的空间特征和时间特征，实现对每日期货数据的在线学习，达到动态定量预测每日CPI的变化情况的效果。

技术领域

本发明涉及居民消费价格指数(CPI)预测技术领域，具体涉及一种基于神经网络(CNN)-长短时记网络(LSTM)的CPI预测模型及方法。

背景技术

居民消费价格指数(CPI)反映一定时期内人们购买一组代表性商品和劳务总花费的变化情况，是国民经济核算统计的核心指标之一。如果用CPI来衡量价格水平，则通货膨胀率就是不同时期的CPI变动的百分比。按照国际惯例，当CPI增幅连续超过3％时，即意味着发生了通货膨胀；当CPI低于1％时，则有通货紧缩的风险。当通货膨胀发生时，货币贬值，大多数居民的利益和生活会受到影响。CPI关系国计民生，是管理层制定宏观经济政策、分析货币市场和债券市场及央行公开市场操作的重要参考依据。从我国货币政策目标来看，我国的货币政策目标是“保持物价稳定，并以此促进经济增长”，物价稳定是我国宏观经济决策的重要目标之一。如何科学预测我国CPI，并在此基础上运用一定的技术手段，实施超前性的货币政策，对于全面把握经济发展趋势、经济安全以及社会稳定具有重要的意义。

目前，国内外对于CPI研究主要是利用历史月度数据构建模型。例如，基于GARCH模型的CPI预测。采用贝叶斯平均模型预测通胀。建立随机平均波动率模型对CPI预测并与ARMA模型进行对比分析。基于广义的菲利普斯曲线(Phillips curve)，采用动态的计量模型预测每个季度的通胀变化率。使用ARIMA(1,0,0)模型对印尼CPI进行预测。分析影响CPI的驱动因素GDP和M1，采用二元回归模型对我国未来CPI走势进行预测。根据CPI序列的季节性特点，基于季节性ARIMA模型对我国CPI波动进行预测。CPI的主要预测方法还包括ARX神经网络、RBF神经网络和支持向量回归等。这些基于月度数据的预测方法很难充分利用当月可观测到的信息。举例说明，假如要预测2020年6月的CPI，可在6月9日(国家统计局发布上月CPI的日期)获得5月CPI数据后用月度数据建模。这样建立的模型忽略了6月9日至6月30日这段时间内可观测到的一些金融市场变量对CPI的影响，这些金融变量包括了农产品的价格波动、大宗商品的价格波动和外汇市场的汇率波动等。

发明内容

本发明的目的，是解决现有技术CPI预测存在的上述技术问题。

为实现上述目的，一方面，本发明提供了一种基于CNN-LSTM的CPI预测模型，该模型包括：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。

另一方面，本发明提供了一种基于CNN-LSTM的CPI预测方法，该方法包括以下步骤：

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；