基于集成算法的工业增加值预测模型研究

我国工业经济的快速发展使得对工业增加值的准确预测成为至关重要的任务,工业增加值在经济中起着举重若轻的作用,其有效的现时预测有助于及时分析宏观经济走向。研究通过应用粒子群优化算法(PSO)对梯度提升决策树(GBDT)、随机森林回归(RFR)、LightGBM、Adaboost、XGBoost和CatBoost等六种集成算法的关键参数进行调整,以提高这些算法在工业增加值预测中的性能,并选取MSE、MAE、精度作为模型评价指标。实验结果显示:对比粒子群优化后的模型指标,依据模型预测性能的优劣情况将其排序:XGBoost>AadBoost>CatBoost>RFR>LightGBM>GBDT。基于粒子群优化算法的XGBoost模型在工业增加值预测中表现出更好的预测效果,为提高工业经济预测的准确性提供了有力支持。

基于机器学习的短期规上行业工业增加值预测

针对现有工业增加值预测存在经济数据统计滞后、单一模型预测精度差的问题,本文提出一种基于Stacking框架下短期规上行业的工业增加值预测模型,实现了预测时效性与精度的提升.通过皮尔逊相关性系数检验,对浙江省某市4个重点规上行业的用电量、工业增加值进行分析,发现两者具有中强度的相关性,表明了基于行业用电量预测工业增加值方法的可行性.接着,以随机森林算法、自适应增强算法、极致梯度增强算法3种模型作为基学习器,支持矢量回归机算法作为元学习器,搭建双层Stacking融合模型框架对规上行业用电量、工业增加值、当地气温数据进行模型训练测试,得到最终预测模型.最后,将本文所提出的Stacking模型与单一模型预测误差指标进行实例对比分析,结果表明,该模型具有更高的预测精度,且采用月度收集的实时电力消费数据提升了预测时效性,能被更好地应用在“双碳”背景下工业增加值的预测场景中,也有利于政府分析经济发展趋势.

基于回归树集成学习方法的工业增长预测和分析

本文从众多变量中筛选出59个相关经济指标,分别考查疫情前后传统时间序列模型和几种回归树集成学习模型对中国工业增加值增速的预测效果,并结合Shapley additive explanations(SHAP)方法对相关预测变量的作用进行解释分析.研究发现,随着预测步长的增加和新冠疫情的暴发,传统时间序列模型的预测性能明显减弱,而集成学习模型的预测表现则相对较好,其中梯度提升树模型在较长预测步长中更加稳健和准确.基于SHAP方法的分析发现,作为预测变量的经济指标在不同时期的重要性有所不同,除生产、投资等指标外,金融类变量在高风险时期也具有一定的预测作用,需结合具体时间和预期目标来选择合适的经济指标进行工业增长预测.基于预测的视角可在一定程度上说明新冠疫情冲击可能不会改变工业增长未来走势的基本面.