基于卷积长短时记忆网络（CNN-LSTM）的CPI预测

作者：陈逸东; 陆忠华

来源：计算机工程与应用, 2021, 1-9.

• CPI预测
• CNN-LSTM深度网络
• 面板数据
• 数据增强
• 动态预测

针对消费价格指数（CPI）的预测值滞后于真实值的现象，提出一种基于卷积神经网络-长短期记忆（CNN-LSTM）深度网络的CPI预测模型，预测结果相较于传统方法有较小的均方根误差和平均绝对百分比误差，且预测结果的定向精度和Pearson相关系数显著高于传统方法。首先用卷积神经网络-长短期记忆深度网络学习期货数据的空间特征和时间特征，动态定量预测每日CPI的变化情况。然后，为有效提高深度网络训练的样本数量，对月度CPI数据进行数据增强。最后，通过滑动时间窗口动态训练模型，预测2019年1月至2020年5月CPI变化情况。模型预测CPI取得了较高的准确率，在基于日级别数据进行CPI预测时具有明显优势。

• 单位
  中国科学院大学; 中国科学院计算机网络信息中心