基于物理约束与强化驱动的可解释 GRU 商品需求预测模型
PREIG: 基于物理约束与强化驱动的可解释 GRU 商品需求预测模型
商品需求预测面临市场波动性、非线性依赖和经济一致性等关键挑战。本研究提出 PREIG 框架,其创新性体现在:
架构设计:在 GRU 网络中嵌入物理信息神经网络(PINN)原理,通过定制损失函数强制实施"价格-需求负弹性"的经济学约束
优化策略:结合 NAdam 与 L-BFGS 优化器,引入基于群体的训练(POP)方法提升模型稳定性
可解释性:保持预测性能的同时,通过物理约束确保结果符合经济学理论
实验表明,PREIG 在 RMSE 和 MAPE 指标上显著优于传统计量模型(ARIMA,GARCH)和深度学习基线(BPNN,RNN)。与标准 GRU 相比,该模型在保持预测精度的同时具备更好的可解释性。该框架为经济领域的高维非线性时序预测提供了兼具鲁棒性、可解释性和扩展性的解决方案。更多精彩内容 请关注我的个人公众号 公众号(办公 AI 智能小助手)公众号二维码

办公AI智能小助手
评论