【摘要】：為了更好地捕捉變量間線性與非線性復(fù)合特征,以及預(yù)警達(dá)到穩(wěn)定收斂,文章構(gòu)建了組合模型。該模型的預(yù)測(cè)值既考慮了自變量的滯后項(xiàng)和隨機(jī)干擾項(xiàng)的線性時(shí)序成分,也考慮了非線性時(shí)序成分。同時(shí)該模型吸收了人工智能研究成果,具備較強(qiáng)的數(shù)據(jù)處理能力和學(xué)習(xí)能力,能夠挖掘變量間復(fù)雜的非線性關(guān)系,避免了單一線性模型對(duì)滯后性和隨機(jī)干擾項(xiàng)硬性的線性約束,然后結(jié)合存儲(chǔ)系統(tǒng)和二元神經(jīng)網(wǎng)絡(luò),采用加權(quán)法迅速找到局部收斂點(diǎn),確定預(yù)警等級(jí)。實(shí)證研究表明,組合模型具有訓(xùn)練速度快和預(yù)測(cè)精度高的特點(diǎn),有較強(qiáng)的適用性。
[Abstract]:In order to better capture the linear and nonlinear composite characteristics between variables and to achieve stable convergence of early warning, a combined model is constructed in this paper. The prediction value of the model not only considers the lag term of independent variable and the linear time series of random disturbance term, but also considers the nonlinear time series component. At the same time, the model absorbs the research results of artificial intelligence, has strong data processing ability and learning ability, can mine the complex nonlinear relations between variables, and avoids the linear constraint of single linear model on lag and random interference. Then combining the storage system and the binary neural network, the weighted method is used to quickly find the local convergence point and to determine the early warning level. Empirical research shows that the combined model has the characteristics of fast training speed and high prediction accuracy, and has strong applicability.
【作者單位】： 北京交通大學(xué)國(guó)家經(jīng)濟(jì)安全研究院;
【基金】：中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(B15JB00510) 教育部人文社會(huì)科學(xué)專項(xiàng)任務(wù)資助項(xiàng)目(B09C1100020)
【分類號(hào)】：F123.2;F224

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 屈定坤;;宏觀經(jīng)濟(jì)預(yù)警初探[J];預(yù)測(cè);1987年06期

2 石良平;;中國(guó)宏觀經(jīng)濟(jì)預(yù)警體系的評(píng)價(jià)與修正[J];統(tǒng)計(jì)研究;2007年01期

3 顧海兵;;中國(guó)宏觀經(jīng)濟(jì)預(yù)警的系統(tǒng)研究[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;1990年10期

4 王慧敏;自回歸條件異方差模型在宏觀經(jīng)濟(jì)預(yù)警中的應(yīng)用[J];運(yùn)籌與管理;1998年04期

5 易正俊;宏觀經(jīng)濟(jì)預(yù)警模型[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);1998年06期

6 萬(wàn)正曉;吳孔磊;;構(gòu)建我國(guó)宏觀經(jīng)濟(jì)預(yù)警模型的幾點(diǎn)建議[J];統(tǒng)計(jì)與決策;2009年06期

7 ;我國(guó)宏觀經(jīng)濟(jì)預(yù)警體系正式投入運(yùn)行[J];財(cái)會(huì)通訊;1992年07期

8 賀京同,潘凝,張建勛,盧桂章;基于模糊神經(jīng)網(wǎng)絡(luò)的宏觀經(jīng)濟(jì)預(yù)警研究[J];預(yù)測(cè);2000年04期

9 石良平;;論宏觀經(jīng)濟(jì)預(yù)警體系的理論與方法[J];經(jīng)濟(jì)科學(xué);1991年06期

10 付宇涵;;基于ARIMA模型的我國(guó)財(cái)產(chǎn)險(xiǎn)保費(fèi)收入的預(yù)測(cè)研究[J];統(tǒng)計(jì)教育;2010年10期

相關(guān)會(huì)議論文 前5條

1 韓立巖;;宏觀經(jīng)濟(jì)預(yù)警系統(tǒng)中的模糊預(yù)測(cè)方法[A];企業(yè)發(fā)展與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第七屆年會(huì)論文集[C];1992年

2 王建鋒;高歌;陳立凌;李紅美;張明芝;王艾麗;;ARIMA模型及其在江蘇省衛(wèi)技人員數(shù)預(yù)測(cè)中的應(yīng)用[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

3 李君華;王志堅(jiān);張立杰;陳雪;;基于小波理論及ARIMA模型的短期棉花價(jià)格預(yù)測(cè)[A];中國(guó)棉花學(xué)會(huì)2012年年會(huì)暨第八次代表大會(huì)論文匯編[C];2012年

4 農(nóng)吉夫;金龍;;均生函數(shù)與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的降水預(yù)報(bào)模型研究[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

5 康賜榮;李旭明;;基于人工神經(jīng)網(wǎng)絡(luò)的系統(tǒng)解耦與控制[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

相關(guān)重要報(bào)紙文章 前1條

1 ;基于數(shù)量化方法對(duì)未來(lái)經(jīng)濟(jì)增長(zhǎng)趨勢(shì)的預(yù)測(cè)[N];第一財(cái)經(jīng)日?qǐng)?bào);2009年

相關(guān)碩士學(xué)位論文 前10條

1 黃印林;地方宏觀經(jīng)濟(jì)預(yù)警模型與算法研究[D];重慶大學(xué);2005年

2 張敏;基于ARIMA的組合模型問(wèn)題研究[D];大連海事大學(xué);2015年

3 苗亞男;基于卡爾曼濾波的ARIMA—GM霧霾預(yù)測(cè)及擴(kuò)散消失模型研究[D];吉林大學(xué);2016年

4 蒯孟娟;基于ARIMA模型及回歸分析的安徽省GDP預(yù)測(cè)研究[D];安徽農(nóng)業(yè)大學(xué);2015年

5 羅榮錦;基于統(tǒng)計(jì)學(xué)方法的互聯(lián)網(wǎng)企業(yè)運(yùn)營(yíng)指標(biāo)異常值監(jiān)控及預(yù)警模型[D];華東師范大學(xué);2017年

6 劉文抒;基于灰色模型和ARIMA模型的上證指數(shù)研究[D];河海大學(xué);2005年

7 趙曉麗;基于小波ARIMA模型的風(fēng)電場(chǎng)風(fēng)速短期預(yù)測(cè)方法研究[D];華北電力大學(xué)（北京）;2010年

8 白營(yíng)閃;基于ARIMA模型對(duì)滬深300指數(shù)的預(yù)測(cè)分析[D];華南理工大學(xué);2010年

9 魏來(lái);ARIMA理論及其在網(wǎng)絡(luò)環(huán)境下綠色農(nóng)產(chǎn)品定價(jià)的應(yīng)用[D];電子科技大學(xué);2003年

10 張丹;基于ARIMA模型的消費(fèi)品公司預(yù)算管理分析[D];復(fù)旦大學(xué);2011年

，

本文編號(hào)：2341809