HMM-LSTM Fusion Model for Economic Forecasting
用于经济预测的 HMM–LSTM 融合模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究 CPI 通胀预测，并融合隐马尔可夫时间状态与 LSTM 的动态建模，支持宏观预测和时间序列分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于经济预测的 HMM–LSTM 融合模型
- 研究问题
- 在预测 CPI 通胀率时，将隐马尔可夫模型提取的经济状态和均值加入 LSTM，能否改善预测准确度并帮助解释模型输出？
- 方法与思路
- 作者先用隐马尔可夫模型提取隐藏状态及均值，再比较原始与增广特征训练的 LSTM，并使用积分梯度分析预测解释性。
- 材料陈述的贡献
- 摘要称，加入 HMM 特征改善了 LSTM 预测准确度，尤其有助于捕捉复杂时间模式及应对波动环境，并提供模型解释分析。
- 阅读关注点
- 应核对隐藏状态是否仅由预测时可用信息估计、训练测试的时间划分及基准设置，并检查积分梯度能否支持所给经济解释。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未说明样本、期限和误差改善幅度，隐藏状态的经济含义仍需验证。
原文摘要
This paper explores the application of Hidden Markov Models (HMM) and Long Short-Term Memory (LSTM) neural networks for economic forecasting, focusing on predicting CPI inflation rates. The study explores a new approach that integrates HMM-derived hidden states and means as additional features for LSTM modeling, aiming to enhance the interpretability and predictive performance of the models. The research begins with data collection and preprocessing, followed by the implementation of the HMM to identify hidden states representing distinct economic conditions. Subsequently, LSTM models are trained using the original and augmented data sets, allowing for comparative analysis and evaluation. The results demonstrate that incorporating HMM-derived data improves the predictive accuracy of LSTM models, particularly in capturing complex temporal patterns and mitigating the impact of volatile economic conditions. Additionally, the paper discusses the implementation of Integrated Gradients for model interpretability and provides insights into the economic dynamics reflected in the forecasting outcomes.