宏观经济是一个综合衡量国家或地区经济发展水平的重要指标,它也能够从一定程度上帮助我国更好地检验第一个一百年目标的完成情况。研究宏观经济的变化趋势,做出精确的短期宏观经济预测能够帮助政府、企业和个人快速做出正确的经济决策。宏观经济本身具有复杂性,受诸多因素影响,其中用电量是一种非常重要的影响因素,但是仅考虑一种影响因素得到的经济预测模型的预测效果往往不尽人意,因此在当今这个大数据时代,需要使用大数据及信息技术的先进方法,综合考虑多种影响因素,融合多维数据中隐含的宏观经济信息,才能更加精准地把握宏观经济发展趋势,得到更加准确的宏观经济预测结果。因此,在结合过往宏观经济研究成果的基础上,综合考虑时代的变迁,使宏观经济预测模型顺应当今时代的发展特征。本文选取用电量作为基础因素、气象作为影响用电量进而影响宏观经济的扰动因素、在线社交网络作为顺应社会发展的时代因素,以LSTM(长短期记忆)神经网络为基础,通过PSO(粒子群)算法进行优化,搭建多维数据输入的深度学习模型,研究三种因素与宏观经济的关联关系,并通过这三种因素的指标数据获得更加准确的宏观经济预测结果。文章以全社会用电量作为用电量的代表指标,以平均温度、平均相对湿度、降水量作为气象代表指标,微博新用户数作为在线社交网络代表指标,以GDP(国内生产总值)作为宏观经济的代表指标,对各因素与GDP的关系进行分析,并进一步地对PSO-LSTM深度学习神经网络模型进行验证。结果表明:用电量与GDP之间有着极强的线性相关关系以及双向的Granger因果关系,微博新用户数与GDP之间有着较强的线性相关关系以及从GDP到微博新用户数的单向Granger因果关系,三种气象指标与GDP之间均存在着双向的Granger因果关系。在用电量预测GDP的基础上,进一步融合微博新用户数、平均温度、平均相对湿度和降水量的数据,可以有效地提高GDP的预测精度,获得精度更高的GDP预测值,且本模型对在线社交活动越活跃的省份的经济预测效果越好。