使用RNN-LSTM混合模型预测国内生产总值增长的转移学习:冈比亚的一个案例研究

科学领域:

• 经济学 经济学 经济学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 经济表现通常以国内生产总值 (GDP) 的增长来衡量.
• 在全球范围内,汇款越来越重要,特别是在冈比亚.
• 准确的GDP预测对于经济政策和规划至关重要.

研究的目的:

• 开发和验证一种人工智能模型,使用汇款数据预测冈比亚的GDP增长.
• 调查汇款流入与冈比亚短期经济增长之间的关系.
• 解决基于汇款的AI驱动GDP预测的研究缺口.

主要方法:

• 开发了一种混合循环神经网络-长期短期记忆 (RNN-LSTM) 模型.
• 利用了来自世界银行和冈比亚中央银行 (1966-2022) 的数据.
• 使用了皮尔森的相关性,转移学习和随机搜索超参数调. 模型性能使用RMSE,MAE,MAPE和R2指标进行评估.

主要成果:

• 该RNN-LSTM模型表现出强大的概括能力和稳定的预测性能.
• 该型号获得了高R2分数91.285%,超过了独立型号的表现.
• 预测结果证实汇款与短期经济增长之间存在显著的积极关系.

结论:

• 开发的AI模型准确地根据冈比亚的汇款流入预测GDP增长.
• 汇款在推动该国短期经济增长方面发挥着至关重要的作用.
• 这项研究强调了人工智能在经济预测和政策分析中的潜力.