一种海洋产业发展趋势分析方法

技术领域

本申请涉及产业发展趋势分析技术领域，尤其涉及一种海洋产业发展趋势分析方法。

背景技术

当前，中国推动产业转型升级，促使经济高质量发展。对海洋产业演变分析一定程度上可以直接观察到产业内部资源分布。另外，海洋产业演化分析对于理解产业历史数据具有重要意义：一方面可以直观获取到海洋产业内部产业、公司间互动变迁；另一方面可以直接观察到产业内部产业、公司分布。

在国家经济组成中，海洋经济俨然已成为发展可持续经济的重要组成部分。现阶段针对产业发展趋势预测方法，大多使用传统的线性模型，但随着新型海洋产业的出现，引入复杂、多维化的数据，海洋产业间的相互作用愈发明显，需要对新常态条件下的海洋产业发展趋势预测使用新方，来揭示产业发展状况。

发明内容

本申请提供了一种海洋产业发展趋势分析方法，用于解决现有技术无法适应新型海洋产业中出现的多种复杂，多维化的产业信息，导致实际分析结果可靠性较差的技术问题。

有鉴于此，本申请第一方面提供了一种海洋产业发展趋势分析方法，包括：

通过网络爬虫技术获取海洋产业的历史信息，所述历史信息包括企业数据信息和企业文本信息；

采用预置LSNet根据所述企业数据信息进行未来海洋产业数据预测，得到海洋产业预测结果，所述预置LSNet包括预置卷积神经网络和预置递归神经网络；

通过预置社区发现算法将图结构化的所述企业文本信息进行分块处理，得到文本信息块；

根据所述企业文本信息和所述文本信息块计算企业的聚集程度；

基于所述海洋产业预测结果和所述聚集程度指导企业决策的制定，所述企业决策包括企业选址、企业投资和企业合作对象选择。

可选的，所述预置LSNet的构建过程为：

将预置卷积神经网络的输出端与预置递归神经网络的输入端连接，构成初始LSNet，所述预置递归神经网络的递归网络层为GRU网络；

采用预置历史时间样本序列训练所述初始LSNet的未来数据序列预测能力，得到预置LSNet。

可选的，所述GRU网络包括循环跳跃层和自回归层；

所述循环跳跃层的输出表达为：

其中，

所述自回归层的输出表达为：

其中，

可选的，所述聚集程度可以采用预置公式计算得到，所述预置公式为：

其中，n

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中，提供了一种海洋产业发展趋势分析方法，包括：通过网络爬虫技术获取海洋产业的历史信息，历史信息包括企业数据信息和企业文本信息；采用预置LSNet根据企业数据信息进行未来海洋产业数据预测，得到海洋产业预测结果，预置LSNet包括预置卷积神经网络和预置递归神经网络；通过预置社区发现算法将图结构化的企业文本信息进行分块处理，得到文本信息块；根据企业文本信息和文本信息块计算企业的聚集程度；基于海洋产业预测结果和聚集程度指导企业决策的制定，企业决策包括企业选址、企业投资和企业合作对象选择。

本申请提供的海洋产业发展趋势分析方法，将海洋产业的历史信息划分为数据形式的企业数据信息和非数据形式的文本信息，然后通过预置LSNet根据数据信息对未来的海洋产业数据信息进行预测，从数据层面把控海洋产业的发展演化；通过社区发现算法对非数据形式的企业文本信息进行分块处理，然后根据分块信息中企业文本信息计算每个企业的聚集程度，从非数据层面对海洋产业的发展进行描述，最后结合数据层面和非数据层面的信息对企业的决策进行指导调整，有助于保证企业的发展处于良性演化状态。因此，本申请能够克服现有技术无法适应新型海洋产业中出现的多种复杂，多维化的产业信息，导致实际分析结果可靠性较差的技术问题。

附图说明

图1为本申请实施例提供的一种海洋产业发展趋势分析方法的流程示意图；

图2为本申请实施例提供的一种海洋产业发展趋势分析装置的结构示意图；

图3为本申请实施例提供的海洋产业数据信息分类案例示意图；

图4为本申请实施例提供的预置LSTNet框架结构示意图；

图5为本申请实施例提供的图结构化的企业文本信息示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，请参阅图1，本申请提供的一种海洋产业发展趋势分析方法的实施例，包括：

步骤101、通过网络爬虫技术获取海洋产业的历史信息，历史信息包括企业数据信息和企业文本信息。

海洋产业发展趋势和演变分析过程实质就是从历史数据中，挖掘海洋产业发展过程中资源分布、产业内部合作互通；然后通过分析产业走势，指导海洋产业在空间分布、资源分配上的合理性的过程。不同的信息反映不同的产业发展趋势，因此针对不同的信息需要采取不同的处理手段；也就是说历史信息的信息表达形式和数据类别较多，具体请参阅表1和表2和图3。从信息处理的角度可以简单划分为数据形式和非数据形式，数据形式就是企业数据信息，非数据形式的作为企业文本信息。

步骤102、采用预置LSNet根据企业数据信息进行未来海洋产业数据预测，得到海洋产业预测结果，预置LSNet包括预置卷积神经网络和预置递归神经网络。

海洋产业趋势预测，可以视作时间序列预测问题；本申请实施例采用深度神经网络技术进行时间序列数据预测，输入一段历史时间数据，即企业数据信息，输出一段时间预测数据，即海洋产业预测结果。本实施例将海洋产业包含的子产业数值信息视为一条需要预测的序列，即I＝(m

为了捕获长期依赖和短期依赖关系特征，采用LSTNet(long-and short-termTime-series network，长期和短期时间序列网络)深度学习框架进行海洋产业发展趋势预测。该框架包含了卷积神经网络(CNN)和递归神经网络(RNN)，提取变量短期局部依存模式并发现时间序列趋势的长期模式；而且，该框架可以实现对多输入变量的同时预测，具体的框架结构示意图如图4所示。

进一步地，预置LSNet的构建过程为：

将预置卷积神经网络的输出端与预置递归神经网络的输入端连接，构成初始LSNet，预置递归神经网络的递归网络层为GRU网络；

采用预置历史时间样本序列训练初始LSNet的未来数据序列预测能力，得到预置LSNet。

预置LSNet框架中使用的预置卷积神经网络主要是指卷积层，卷积层获取数据序列特征后输入预置递归神经网络中，具体的是输入递归GRU网络中作进一步处理。

采用预置历史时间样本序列对框架进行训练，使得框架具备良好的预测性能，保证预测结果的可靠性。整个模型框架是采用随机梯度下降法更新模型参数，达到训练目的。具体的目标函数为：

其中，Θ为模型参数，Ω

进一步地，GRU网络包括循环跳跃层和自回归层；

循环跳跃层的输出表达为：

其中，

自回归层的输出表达为：

其中，

将循环跳跃层输出和自回归层输出结合可以得到整个框架的预测输出，即海洋产业预测结果：

步骤103、通过预置社区发现算法将图结构化的企业文本信息进行分块处理，得到文本信息块。

采用预置社区发现算法可以对海洋产业的非数据信息进行针对性分析，分块处理是按照不同的信息类别划分的，例如在地理分布层面，可以观察产业以及相关企业的空间分布以及关系；在产业强弱分析层面，可以观察一个产业领域内强势企业或者强势产业；在时间层面上，可以观察理念来产业块的变迁。根据信息类别可以对海洋产业的非数据信息进行分块。为了便于分块处理，企业文本新型一般要整理成图结构形式，具体请参阅图5。

除了考量上述非数据信息，还可以获取开放数据，例如企业之间的上下游(供应商)、同产业、相关企业等，这些信息都是非数据形式的，且不需要量化，只需要关注信息中的关系变迁即可；具体的会存储在关系型数据库中，例如Neo4j。另外，企业的地理分布、主营业务也是可获取存储的非数据信息，主要描述企业的位置分布和业务变迁。

步骤104、根据企业文本信息和文本信息块计算企业的聚集程度。

进一步地，聚集程度可以采用预置公式计算得到，预置公式为：

其中，n

所谓节点的度是指从该节点触发的边的总条数，本实施例采用节点的度来衡量一个企业的强弱；采用聚集系数衡量产业聚集强度。

图结构中节点表示：N=(n

步骤105、基于海洋产业预测结果和聚集程度指导企业决策的制定，企业决策包括企业选址、企业投资和企业合作对象选择。

海洋产业预测结果能够反映企业未来的产能数据走向，这关系到企业的根本发展，而聚集程度则能够反映该企业在本领域的强弱程度；除了这些信息以外，还可以结合主营业务、上下游企业、地理位置等基础演化信息来共同展示演化历程，进而对企业的决策方案制定提供指导，使得企业决策更加科学合理。这种动态跟踪研究，为产业投资、选址、寻找合作等决策提供信息支持服务。

以上为本申请提供的一种海洋产业发展趋势分析方法的一个实施例，以下为本申请提供的一种海洋产业发展趋势分析装置的一个实施例。

为了便于理解，请参阅图2，本申请还提供了一种海洋产业发展趋势分析装置的实施例，包括：

获取模块201，用于通过网络爬虫技术获取海洋产业的历史信息，历史信息包括企业数据信息和企业文本信息；

预测模块202，用于采用预置LSNet根据企业数据信息进行未来海洋产业数据预测，得到海洋产业预测结果，预置LSNet包括预置卷积神经网络和预置递归神经网络；

分块模块203，用于通过预置社区发现算法将图结构化的企业文本信息进行分块处理，得到文本信息块；

计算模块204，用于根据企业文本信息和文本信息块计算企业的聚集程度；

决策模块205，用于基于海洋产业预测结果和聚集程度指导企业决策的制定，企业决策包括企业选址、企业投资和企业合作对象选择。

进一步地，预置LSNet的构建过程为：

将预置卷积神经网络的输出端与预置递归神经网络的输入端连接，构成初始LSNet，预置递归神经网络的递归网络层为GRU网络；

采用预置历史时间样本序列训练初始LSNet的未来数据序列预测能力，得到预置LSNet。

进一步地，GRU网络包括循环跳跃层和自回归层；

循环跳跃层的输出表达为：

其中，

自回归层的输出表达为：

其中，

进一步地，聚集程度可以采用预置公式计算得到，预置公式为：

其中，n

以上为本申请提供的一种海洋产业发展趋势分析装置的一个实施例，以下为本申请提供的一种海洋产业发展趋势分析设备的一个实施例。

本申请还提供了一种海洋产业发展趋势分析设备，设备包括处理器以及存储器；

存储器用于存储程序代码，并将程序代码传输给处理器；

处理器用于根据程序代码中的指令执行上述方法实施例中的海洋产业发展趋势分析方法。

本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述方法实施例中的海洋产业发展趋势分析方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。