《Array》:Genetic Algorithm to optimized CNN-BiLSTM model to Forecast Moroccan real GDP time series
编辑推荐:
本研究聚焦于经济预测中的核心挑战——经济增长的准确预测,提出了一种新颖的CNN-BiLSTM模型,并利用遗传算法(GA)进行优化,专门用于摩洛哥季度实际GDP的预测。该方法整合了九项超参数的联合优化、动态滞后窗口选择,并通过Spearman相关性、互信息和XGBoost的特征选择流程加以强化,辅以基于SHAP的可解释性分析,提升了所选预测变量的经济可解释性。实验结果表明,所提出的GA-CNN-BiLSTM模型在MSE、MAE、MAPE和R2等关键指标上显著优于CNN、BiLSTM、GRU、随机森林、XGBoost、Lasso、AdaBoost和VAR等基准模型。该研究为宏观经济预测,特别是GDP时序预测,提供了一种高精度、可解释且稳健的混合深度学习框架。
在经济学和公共政策领域,准确预测国内生产总值(Gross Domestic Product, GDP)的增长趋势,是理解经济健康状况、制定财政货币政策、防范经济风险的核心。然而,这项任务充满了挑战。经济系统本身就像一个复杂的、动态变化的有机体,其运行受到无数因素的交叉影响,呈现出强烈的非线性和时序依赖性。传统的预测工具,如自回归积分滑动平均模型(ARIMA)和向量自回归模型(VAR),虽然历史悠久,但它们基于线性和平稳性的假设,在面对真实世界中纷繁复杂的经济关系时,往往显得力不从心,难以捕捉那些隐藏在数据背后的深层模式和突变。随着人工智能技术的飞速发展,机器学习和深度学习方法为经济预测打开了新的窗口。特别是像卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)这样的深度学习模型,在图像识别、自然语言处理等领域大放异彩后,也开始被经济学家和数据分析师们引入经济时序预测。CNN擅长从局部数据中提取关键特征,而LSTM及其变体(如双向LSTM,即BiLSTM)则专精于学习和记忆长时序的依赖关系。但是,如何将这些强大的“武器”有效地组合起来,并为其找到最佳的“参数设置”(即超参数优化),以实现对特定经济体(如摩洛哥)GDP的最精准预测,仍然是一个有待深入探索的前沿课题。此外,经济预测模型不仅需要高精度,还需要可解释性——我们不仅要知道模型预测的结果,还要理解是哪些经济因素在驱动这个预测,这对于决策者至关重要。
为了应对上述挑战,来自摩洛哥穆莱·伊斯梅尔大学的研究团队Sana Hamiane, Youssef Ghanou, Hamid Khalifi, Aziz Boujeddaine在《Array》期刊上发表了一项创新性研究。他们提出了一种融合了遗传算法(Genetic Algorithm, GA)优化的CNN-BiLSTM混合模型,专门用于预测摩洛哥的季度实际GDP。这项研究的核心目标是:开发一个能够有效捕捉宏观经济指标与GDP之间复杂非线性时序关系的预测框架,并通过先进的优化和解释技术,确保模型既精准又可靠、透明。研究结果表明,他们成功构建的模型在预测精度上显著超越了一系列主流基准模型,并为理解影响摩洛哥经济增长的关键部门提供了数据驱动的见解。
本研究主要采用了以下几种关键技术方法:首先,数据来源于摩洛哥国家高级计划委员会(Haut-Commissariat au Plan),涵盖了从1980年第一季度到2025年第三季度的15个宏观经济指标的季度时间序列数据。其次,研究采用了一个两阶段特征选择流程,结合斯皮尔曼等级相关、互信息(Mutual Information, MI)和极限梯度提升(XGBoost)模型,从众多指标中筛选出对GDP预测最关键的7个变量,并利用SHAP(SHapley Additive exPlanations)值进行特征重要性解释。第三,研究构建了CNN-BiLSTM混合深度学习模型架构,其中CNN层用于提取局部时序特征,BiLSTM层用于建模双向长期依赖关系。第四,创新性地使用遗传算法对模型的9个关键超参数(包括滞后窗口、CNN过滤器数量、BiLSTM单元数、学习率等)进行自动优化,以寻找最佳模型配置。第五,采用扩展窗口(expanding-window)的样本外预测设计来评估模型性能,确保了评估的稳健性和现实性。最后,利用蒙特卡洛丢弃法(Monte Carlo Dropout)生成预测区间,以量化预测的不确定性。
2.1. 数据准备
研究人员从摩洛哥官方机构获取了15个宏观经济指标的季度数据,时间跨度为1980年第一季度至2025年第三季度。这些指标涵盖了农业、制造业、建筑业、公共服务等多个经济部门,为后续的多变量预测奠定了基础。
2.3. 特征选择
通过结合斯皮尔曼相关、互信息和XGBoost的三步特征选择法,研究最终确定了7个对摩洛哥季度GDP预测最重要的宏观经济指标,包括:公共行政和国防;强制性社会保障、教育、人类健康和社会工作活动、净税收与补贴、房地产、租赁和商业服务、电力、燃气和供水;污水处理和废物管理、制造业、农业、林业和渔业。SHAP分析进一步揭示,“公共行政和国防;强制性社会保障”是影响力最大的变量,占总特征重要性的53.29%,这凸显了公共部门在摩洛哥经济增长中的核心作用。这一筛选过程不仅降低了数据维度,也增强了模型的经济可解释性。
2.4. CNN-BiLSTM模型
研究构建的混合模型首先使用CNN层从经过预处理的3D输入序列中提取局部时序模式和短期波动特征,然后通过BiLSTM层从前向和后向两个方向学习长期的时序依赖关系,最后通过一个全连接层输出GDP预测值。这种架构结合了CNN捕捉局部特征和BiLSTM建模长期依赖的双重优势。
2.5. 使用遗传算法进行超参数优化
为了最大化模型性能,研究采用遗传算法对CNN-BiLSTM的9个关键超参数进行了自动优化。GA模拟自然进化过程,通过选择、交叉和变异操作,在预定义的搜索空间内寻找能使验证集均方误差(Mean Squared Error, MSE)最小的超参数组合。经过优化,模型确定了包括滞后窗口为12、CNN过滤器为83、BiLSTM单元为137、学习率为0.0068等在内的一系列最优参数。
3.5. 预测结果
在最优超参数配置下,最终的GA-CNN-BiLSTM模型在测试集上取得了优异的预测性能。其评估指标为:R2= 0.985057,MSE = 0.014943,MAE = 0.008809,MAPE = 0.890626%。这些结果显著优于所有参与对比的基准模型,包括单一的CNN、BiLSTM、GRU、随机森林、XGBoost、Lasso、AdaBoost以及传统的VAR模型。模型训练过程中的损失曲线也显示其能够稳定学习,没有出现过拟合。
3.6. 预测区间与冲击时期的稳健性
通过蒙特卡洛丢弃法,模型生成了95%的预测区间,其区间覆盖概率(PICP)达到了98.59%。这表明模型不仅能提供点预测,还能可靠地量化预测的不确定性。特别值得注意的是,在包含经济冲击时期(如COVID-19疫情期间)的测试中,GA-CNN-BiLSTM模型的预测精度(MAPE=1.63%)远高于VAR模型(MAPE=4.93%),显示出深度学习方法在应对经济突变和非线性动态方面具有更强的稳健性。
3.7. 与现有方法的比较
与文献中报道的其他GDP预测模型相比,本研究所提出的GA-CNN-BiLSTM模型在R2、MSE等关键指标上均表现更优。例如,优于此前研究中在中国数据上应用的CNN模型(R2=0.91),以及在罗马尼亚、冈比亚等地应用的LSTM类模型。
3.8. 用于预测比较的Diebold-Mariano检验
Diebold-Mariano统计检验进一步从统计学上证实了所提模型的优越性。检验结果显示,GA-CNN-BiLSTM模型的预测精度显著优于VAR、CNN、GRU及所有机器学习基准模型(p值<0.05)。虽然与单一BiLSTM模型的差异在统计上不显著,但GA-CNN-BiLSTM在整体拟合度和误差指标上仍具优势。
本研究成功地开发并验证了一个基于遗传算法优化的CNN-BiLSTM混合模型,用于高精度预测摩洛哥的季度实际GDP。该模型的核心创新在于将CNN的特征提取能力、BiLSTM的长期时序依赖建模能力,与遗传算法的智能全局搜索能力相结合,并通过严谨的特征选择和SHAP可解释性分析,构建了一个既强大又透明的预测框架。
研究的结论部分强调,该模型不仅在常规经济时期表现卓越,在应对如COVID-19疫情这样的外部冲击时,也展现出远超传统线性模型(如VAR)的稳健性和适应性。这证明了深度学习方法在捕捉经济时间序列中复杂非线性关系方面的巨大潜力。通过SHAP分析,研究还从数据角度揭示了影响摩洛哥经济增长的关键部门,其中公共行政与社会保障部门贡献最大,其次是教育、医疗等社会服务部门,这为理解摩洛哥的经济结构提供了实证依据。
这项研究的意义在于,它为宏观经济预测,特别是对数据可用性可能受限的中小规模经济体,提供了一套行之有效的、可复现的方法论框架。它将先进的深度学习、进化算法和可解释人工智能技术融合应用于经济计量问题,不仅提升了预测的准确度,也增强了模型结果的可信度和决策支持价值。尽管模型在部署时需考虑计算成本、数据实时性等实际问题,并应作为专家决策的辅助工具而非完全替代,但其展现出的性能预示着,类似的方法在未来有望广泛应用于更广泛的经济指标预测、风险评估和政策模拟之中,为经济分析和决策提供更强大的数据智能支持。