隨著中國(guó)經(jīng)濟(jì)的高速發(fā)展,人民生活水平的不斷提高,國(guó)際化進(jìn)程的不斷加快,我們?cè)诮?jīng)濟(jì)領(lǐng)域的發(fā)展越來越快,人均GDP也在不斷提升。居民價(jià)格消費(fèi)指數(shù),簡(jiǎn)稱CPI,是用來分析我國(guó)市場(chǎng)價(jià)格基本走勢(shì)的一個(gè)重要指標(biāo),也是國(guó)家宏觀調(diào)控的一個(gè)重要依據(jù)。國(guó)家可以根據(jù)CPI的變動(dòng)來進(jìn)行貨幣政策和財(cái)政政策的一系列調(diào)整,從而來保證市場(chǎng)的穩(wěn)定和居民的幸福生活。因此,本文著重利用組合模型來對(duì)江西省的CPI進(jìn)行預(yù)測(cè)。隨著人工智能的普及以及各種算法的不斷推廣,越來越多的預(yù)測(cè)模型得到了很大程度的提升,對(duì)于不同的研究問題,也具有了針對(duì)性的模型來進(jìn)行預(yù)測(cè),比如對(duì)于CPI的預(yù)測(cè),其中就有ARIMA模型、SVM模型和BP神經(jīng)網(wǎng)絡(luò)模型等。由于CPI數(shù)據(jù)是一個(gè)具有多方面影響因素制約的一個(gè)指標(biāo),因此,本文認(rèn)為,單一的預(yù)測(cè)模型不能夠很好地將序列值所包含的信息完全擬合出來。為了縮小預(yù)測(cè)的誤差,提升模型的精度,本文提出了組合預(yù)測(cè)模型以及組合系數(shù)法,從序列值本身帶有的信息特點(diǎn)出發(fā),找到合適的模型,以便于更好地對(duì)江西省的CPI進(jìn)行預(yù)測(cè)。本文首先介紹了時(shí)間序列理論的相關(guān)知識(shí),為下文打下了理論基礎(chǔ)。然后,根據(jù)江西省CPI數(shù)據(jù)具有的線性與非線性特點(diǎn),提... 

【文章來源】：江西財(cái)經(jīng)大學(xué)江西省

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 國(guó)內(nèi)研究現(xiàn)狀
        1.3.2 國(guó)外研究現(xiàn)狀
        1.3.3 文獻(xiàn)評(píng)述
    1.4 本文創(chuàng)新之處
    1.5 主要研究?jī)?nèi)容
第2章 時(shí)間序列理論
    2.1 時(shí)間序列定義
    2.2 平穩(wěn)時(shí)間序列
    2.3 平穩(wěn)時(shí)間序列性質(zhì)
        2.3.1 自相關(guān)函數(shù)性質(zhì)
        2.3.2 平穩(wěn)性檢驗(yàn)
        2.3.3 白噪聲檢驗(yàn)
    2.4 平穩(wěn)時(shí)間序列模型
        2.4.1 AR模型
        2.4.2 MA模型
        2.4.3 ARMA模型
        2.4.4 ARIMA模型
        2.4.5 SARIMA模型
    2.5 平穩(wěn)時(shí)間序列建模
        2.5.1 ARMA模型的ACF和 PACF
        2.5.2 模型定階
        2.5.3 參數(shù)估計(jì)
        2.5.4 模型檢驗(yàn)
        2.5.5 模型優(yōu)化
    2.6 非平穩(wěn)模型平穩(wěn)化處理
    2.7 非平穩(wěn)序列確定性分析
    2.8 本章小結(jié)
第3章 預(yù)測(cè)模型與組合模型建模與評(píng)比
    3.1 SARIMA模型
    3.2 SVM模型
        3.2.1 SVM模型理論概述
        3.2.2 SVM模型建立
    3.3 BP神經(jīng)網(wǎng)絡(luò)模型
        3.3.1 BP神經(jīng)網(wǎng)絡(luò)基本原理
        3.3.2 BP神經(jīng)網(wǎng)絡(luò)計(jì)算步驟
    3.4 組合模型的構(gòu)建
        3.4.1 組合模型理論
        3.4.2 組合模型權(quán)重選擇
        3.4.3 組合模型構(gòu)建
        3.4.4 組合預(yù)測(cè)模型比較評(píng)估
    3.5 本章小結(jié)
第4章 時(shí)間序列組合模型預(yù)測(cè)分析
    4.1 SARIMA模型預(yù)測(cè)分析
        4.1.1 數(shù)據(jù)選取
        4.1.2 序列平穩(wěn)性檢驗(yàn)
        4.1.3 SARIMA模型建立
        4.1.4 模型參數(shù)估計(jì)及殘差的白噪聲檢驗(yàn)
        4.1.5 SARIMA模型預(yù)測(cè)結(jié)果評(píng)估
    4.2 SVM模型預(yù)測(cè)分析
        4.2.1 SVM模型建模步驟
        4.2.2 SVM模型預(yù)測(cè)結(jié)果與數(shù)據(jù)分析
    4.3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)分析
        4.3.1 數(shù)據(jù)預(yù)處理
        4.3.2 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果及數(shù)據(jù)分析
    4.4 組合模型預(yù)測(cè)分析
        4.4.1 組合預(yù)測(cè)模型
        4.4.2 SARIMA-SVM組合模型預(yù)測(cè)分析
        4.4.3 SARIMA-BP神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)分析
        4.4.4 幾種模型的對(duì)比效果
    4.5 本章小結(jié)
第5章 研究結(jié)論及展望
    5.1 研究結(jié)論
    5.2 研究展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于ARIMA模型對(duì)江西省CPI的時(shí)間序列分析與預(yù)測(cè)[J]. 戴玉泉.  科學(xué)技術(shù)創(chuàng)新. 2019(35)
[2]基于SARIMA-SVR組合模型的空氣質(zhì)量指數(shù)預(yù)測(cè)[J]. 鄭洋洋,白艷萍,續(xù)婷.  河北工業(yè)科技. 2019(06)
[3]基于XGBoost和LSTM加權(quán)組合模型在銷售預(yù)測(cè)的應(yīng)用[J]. 馮晨,陳志德.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(10)
[4]基于ARIMA-SVM模型的鄭州市CPI預(yù)測(cè)研究[J]. 梁曉瑩.  洛陽理工學(xué)院學(xué)報(bào)(社會(huì)科學(xué)版). 2019(04)
[5]基于回歸與ARMA組合模型的安康市農(nóng)業(yè)發(fā)展預(yù)測(cè)研究[J]. 劉鐵.  湖北農(nóng)業(yè)科學(xué). 2019(15)
[6]基于時(shí)間序列模型對(duì)四川省第三產(chǎn)業(yè)增加值的預(yù)測(cè)及分析[J]. 田也,郭金雨,蒲千倩,羅慶華,劉曉紅.  中國(guó)科技信息. 2019(10)
[7]基于WNN-SVM的水文時(shí)間序列預(yù)測(cè)方法研究[J]. 余洋,萬定生.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(09)
[8]基于網(wǎng)絡(luò)搜索指數(shù)和EMD-ARIMA-BP組合模型的游客量預(yù)測(cè)——以張家界為例[J]. 陸利軍.  吉首大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2019(01)
[9]基于GM-ARMA組合模型的PM2.5濃度預(yù)測(cè)——以揚(yáng)州市為例[J]. 徐輝軍,張林男.  南通職業(yè)大學(xué)學(xué)報(bào). 2018(04)
[10]利用網(wǎng)絡(luò)搜索大數(shù)據(jù)實(shí)現(xiàn)對(duì)CPI的短期預(yù)報(bào)及拐點(diǎn)預(yù)測(cè)——基于混頻抽樣數(shù)據(jù)模型的實(shí)證研究[J]. 劉寬斌,張濤.  當(dāng)代財(cái)經(jīng). 2018(11)

博士論文
[1]互聯(lián)網(wǎng)環(huán)境下基于消費(fèi)者搜索的旅游需求預(yù)測(cè)研究[D]. 張斌儒.對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué) 2017
[2]城市住房?jī)r(jià)格PSO-LSSVR預(yù)測(cè)模型研究[D]. 劉蓉.重慶大學(xué) 2014

碩士論文
[1]基于ARIMA-GARCH和SVR組合模型的股指預(yù)測(cè)研究[D]. 王運(yùn)豪.東北師范大學(xué) 2019
[2]基于長(zhǎng)時(shí)間序列夜光遙感數(shù)據(jù)的黑龍江省GDP預(yù)測(cè)模型研究[D]. 謝天.哈爾濱工業(yè)大學(xué) 2018
[3]WTI原油期貨價(jià)格波動(dòng)分析[D]. 耿倪.吉林財(cái)經(jīng)大學(xué) 2018
[4]時(shí)間序列分析的研究與應(yīng)用[D]. 董亮亮.天津科技大學(xué) 2018
[5]基于支持向量機(jī)的股票價(jià)格預(yù)測(cè)及投資策略研究[D]. 徐茜茜.西北大學(xué) 2018
[6]組合預(yù)測(cè)模型在CPI預(yù)測(cè)中的應(yīng)用[D]. 朱文燕.暨南大學(xué) 2017
[7]基于LS-SVM的半圓拱形巷道無線信道建模與預(yù)測(cè)[D]. 郗茜.西安科技大學(xué) 2017
[8]ARMA/GARCH模型參數(shù)估計(jì)的神經(jīng)網(wǎng)絡(luò)方法[D]. 張珞偲祚.中國(guó)地質(zhì)大學(xué)(北京) 2017
[9]鐵路數(shù)據(jù)網(wǎng)網(wǎng)絡(luò)資源管理中的網(wǎng)絡(luò)流量趨勢(shì)研究[D]. 張治鵬.北京交通大學(xué) 2017
[10]關(guān)于全國(guó)農(nóng)村人均消費(fèi)支出的統(tǒng)計(jì)研究[D]. 王義茗.曲阜師范大學(xué) 2016



本文編號(hào)：3157645