發(fā)布時(shí)間：2020-12-07 16:20

　　GDP作為衡量一個(gè)國(guó)家及一個(gè)地區(qū)經(jīng)濟(jì)發(fā)展重要指標(biāo),用相關(guān)知識(shí)進(jìn)行定量分析了解其特點(diǎn),掌握其發(fā)展趨勢(shì),相關(guān)部門(mén)可以根據(jù)此值制定相關(guān)經(jīng)濟(jì)政策進(jìn)行調(diào)控。通過(guò)分析GDP數(shù)據(jù)也可來(lái)檢測(cè)制定的宏觀政策科學(xué)性和有效性,對(duì)未來(lái)經(jīng)濟(jì)發(fā)展趨勢(shì)準(zhǔn)確把握有實(shí)際意義。本文介紹ARIMA模型、BP神經(jīng)網(wǎng)絡(luò)和組合模型相關(guān)理論和實(shí)際運(yùn)用,主要通過(guò)對(duì)重慶市GDP實(shí)證分析找到擬合GDP最優(yōu)模型,然后根據(jù)最優(yōu)模型做出預(yù)測(cè)。選取1997-2017年重慶市GDP作為研究樣本,把1997-2014年的GDP數(shù)據(jù)作為訓(xùn)練樣本,2015-2017年的GDP數(shù)據(jù)作為測(cè)試樣本,用平均絕對(duì)百分比誤差（MAPE）、泰爾不等系數(shù)、預(yù)測(cè)誤差的標(biāo)準(zhǔn)差（SDE）、預(yù)測(cè)精度四種評(píng)價(jià)標(biāo)準(zhǔn)來(lái)對(duì)模型測(cè)試結(jié)果進(jìn)行評(píng)價(jià)。首先根據(jù)AIC準(zhǔn)則確定模型最優(yōu)參數(shù),確定最優(yōu)的ARIMA模型。其次在構(gòu)建BP神經(jīng)網(wǎng)絡(luò)時(shí)加入動(dòng)量因子對(duì)其網(wǎng)絡(luò)進(jìn)行優(yōu)化,根據(jù)測(cè)試結(jié)果再次利用神經(jīng)網(wǎng)絡(luò)擬合的誤差構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)誤差進(jìn)一步修正來(lái)充分提取序列信息。最后利用等權(quán)法、簡(jiǎn)單加權(quán)法、誤差平方和倒數(shù)法、誤差方差均方倒數(shù)法四種方法賦予單個(gè)模型不同的權(quán)值組成一個(gè)新的組合模型,然后對(duì)7種模型進(jìn)行對(duì)比... 

【文章來(lái)源】：廣西師范大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：43 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

ARIMA模型流程圖

圖 2.2 1997-2017 年重慶 GDP 時(shí)序圖.2 可以得到從 1997-2007 年 GDP 增長(zhǎng)速度較為平緩，而從 2008 年以后，從圖中也可以得出 GDP 沒(méi)有季節(jié)和周期性變化。從總的趨勢(shì)來(lái)看 G

記為 lnGDP。同樣用 R 軟件對(duì) lnGDP 畫(huà)出時(shí)序圖如圖 2.3。圖 2.3 1997-2017 年重慶 lnGDP 時(shí)序圖從圖 2.3 可以看出經(jīng)過(guò)對(duì)數(shù)處理后的序列呈線性增長(zhǎng)，序列仍為非平穩(wěn)序列。lnGDP序列進(jìn)行差分處理來(lái)轉(zhuǎn)化成平穩(wěn)序列。記序列 lnGDP 進(jìn)行一階差分后的序列記為 dlnGDP同樣畫(huà)出時(shí)序圖如圖 2.4 所示。圖 2.4 重慶市 lnGDP 一次差分 dlnGDP 時(shí)序圖從圖 2.4 看出 dlnGDP 序列仍沒(méi)有平穩(wěn)，繼續(xù)對(duì)序列進(jìn)行二次差分并記二次差分后序列為 d2lnGDP 然后畫(huà)出 d2lnGDP 時(shí)序圖如圖 2.5 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于ARIMA模型的我國(guó)城鎮(zhèn)居民人均可支配收入的分析與預(yù)測(cè)[J]. 楊探.  時(shí)代金融. 2018(26)
[2]BP神經(jīng)網(wǎng)絡(luò)模型在伏旱預(yù)測(cè)中的應(yīng)用——以河西走廊為例[J]. 劉洪蘭,張強(qiáng),張俊國(guó),王海波,聞小艷.  中國(guó)沙漠. 2015(02)
[3]基于ARIMA與神經(jīng)網(wǎng)絡(luò)集成的GDP時(shí)間序列預(yù)測(cè)研究[J]. 熊志斌.  數(shù)理統(tǒng)計(jì)與管理. 2011(02)
[4]一種改進(jìn)的BP網(wǎng)絡(luò)學(xué)習(xí)算法[J]. 郭艷兵,齊占慶,王雪光.  自動(dòng)化技術(shù)與應(yīng)用. 2002(02)
[5]神經(jīng)網(wǎng)絡(luò)BP算法的改進(jìn)和仿真[J]. 劉鷹,趙琳.  計(jì)算機(jī)仿真. 1999(03)

碩士論文
[1]基于多種組合模型的半干旱區(qū)次洪量預(yù)測(cè)[D]. 馮鑫偉.西安理工大學(xué) 2018
[2]基于BP神經(jīng)網(wǎng)絡(luò)和半監(jiān)督學(xué)習(xí)的時(shí)間序列分類(lèi)模型研究[D]. 郭芷榕.太原理工大學(xué) 2018
[3]GDP組合預(yù)測(cè)模型的構(gòu)建及應(yīng)用研究[D]. 陳齊海.南昌大學(xué) 2018
[4]幾種山東省GDP的預(yù)測(cè)方法及其比較[D]. 李超楠.山東大學(xué) 2018
[5]基于ARIMA模型下的新疆就業(yè)人數(shù)及GDP的預(yù)測(cè)分析[D]. 開(kāi)地?zé)嵋病た艘滥?新疆財(cái)經(jīng)大學(xué) 2017
[6]人工神經(jīng)網(wǎng)絡(luò)算法在GDP和CPI中的預(yù)測(cè)應(yīng)用[D]. 王永杰.中北大學(xué) 2017
[7]基于ARIMA模型和ARIMAX模型的山東省GDP的預(yù)測(cè)與分析[D]. 陳聰聰.山東大學(xué) 2016
[8]基于BP神經(jīng)網(wǎng)絡(luò)組合模型的云南省人口分類(lèi)預(yù)測(cè)[D]. 何思蘭.昆明理工大學(xué) 2016
[9]基于灰色遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的江西省GDP預(yù)測(cè)[D]. 牛晉徽.景德鎮(zhèn)陶瓷大學(xué) 2016
[10]基于時(shí)間序列分析的我國(guó)GDP預(yù)測(cè)模型[D]. 陳瑤.蘇州科技學(xué)院 2015



本文編號(hào)：2903551