基于机器学习的短期规上行业工业增加值预测

摘要：

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.

关键词：规上工业、工业增加值预测、机器学习、Stacking算法

所属期刊栏目：46

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金61971228

在线出版日期：2023-06-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：99-106