現(xiàn)代市場(chǎng)經(jīng)濟(jì)快速發(fā)展的同時(shí)也伴隨著較高的風(fēng)險(xiǎn)，通過(guò)對(duì)地區(qū)投資情況提前預(yù)測(cè)，能夠提前發(fā)現(xiàn)投資風(fēng)險(xiǎn)，為國(guó)家、企業(yè)的投資決策提供參考。針對(duì)宏觀經(jīng)濟(jì)預(yù)測(cè)中統(tǒng)計(jì)數(shù)據(jù)滯后和內(nèi)部關(guān)系復(fù)雜的問(wèn)題，提出融合情感分析和深度學(xué)習(xí)的預(yù)測(cè)方法（SA-LSTM）。首先考慮微博的強(qiáng)時(shí)效性，確定了微博爬取和情感分析的方法，得到微博情感分析的分值，進(jìn)而結(jié)合政府統(tǒng)計(jì)的結(jié)構(gòu)化經(jīng)濟(jì)指標(biāo)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)地區(qū)投資總額預(yù)測(cè)。經(jīng)過(guò)實(shí)際數(shù)據(jù)計(jì)算驗(yàn)證，在四個(gè)數(shù)據(jù)集上，與不加入微博情感分析的LSTM網(wǎng)絡(luò)相比，SA-LSTM能夠降低預(yù)測(cè)相對(duì)誤差4. 95，0.92，1.21 ，0. 66個(gè)百分點(diǎn);與差分自回歸移動(dòng)平均模型（ ARIMA）、線性回歸（LR）、反向傳播（BP）神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)四個(gè)方法中的最優(yōu)方法相比能夠降低相對(duì)誤差0.06，0.92 ，0.94，0. 66個(gè)百分點(diǎn)。另外，SA-LSTM在多個(gè)時(shí)間片上，預(yù)測(cè)相對(duì)誤差的方差最小，表明所提方法具有很好的魯棒性，對(duì)數(shù)據(jù)抖動(dòng)有良好的適應(yīng)性。