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：

1. 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

2. 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

3. 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