發(fā)布時間：2020-08-22 22:29

【摘要】：文章將干預模型與BP神經(jīng)網(wǎng)絡模型相結(jié)合,提出了基于干預模型與BP神經(jīng)網(wǎng)絡集成的GDP時間序列預測模型,并實現(xiàn)了算法。利用我國1978~2004年的GDP數(shù)據(jù)建立多干預變量集成預測模型,對我國2005~2009年的GDP數(shù)據(jù)進行預測,并將預測值與其他文獻所建模型的預測值進行比較,預測誤差明顯減少,證實了所建立模型處理外部事件(如宏觀經(jīng)濟因素、政治因素等)的有效性。
【圖文】：

靖稍び跋斕那慷齲?B為后移算子，b為延遲期數(shù)。不管任何復雜的干預事件發(fā)生，其影響都可歸納為上述四種形式的某種組合[6]。1.2BP神經(jīng)網(wǎng)絡模型基于反向傳播（backpropagation）算法的多層前饋神經(jīng)網(wǎng)絡（BP神經(jīng)網(wǎng)絡）是一種應用較廣的NN模型。BP網(wǎng)絡通常由輸入層、輸出層和若干隱含層構(gòu)成，每層由若干個結(jié)點組成，每一個結(jié)點表示一個神經(jīng)元，上層結(jié)點與下層結(jié)點之間通過權(quán)聯(lián)接，層與層之間的節(jié)點采用全互連的連接方式，每層內(nèi)結(jié)點之間沒有聯(lián)系[7]。多層前饋神經(jīng)網(wǎng)絡如圖1所示：圖1多層前饋神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡通過BP算法來訓練模型，其基本思想是：先賦予網(wǎng)絡初始權(quán)值和閾值，通過層間前向信息傳遞計算出網(wǎng)絡的輸出值，然后比較網(wǎng)絡的實際輸出和期望輸出之間的誤差，修改網(wǎng)絡的權(quán)值和閾值，通過不斷的反復訓練和比較，使得實際輸出和期望輸出之間的誤差達到最小[3]。2基于干預模型與BP神經(jīng)網(wǎng)絡的集成模型2.1集成模型的原理及算法將時間序列{xt}看作由帶有干擾因素的線性部分lt與非線性部分nt組成，即xt=lt+nt則可根據(jù)以下步驟構(gòu)建集成模型：(1)利用干預模型對時間序列{xt}建模，得到帶有干擾因素的線性部分lt的預測值l∧t，其殘差et=xt-l∧t。(2)運用BP神經(jīng)網(wǎng)絡模型來逼近殘差序列{et}中的非線性關系，即確定輸入層節(jié)點個數(shù)n后，將et-1,et-2,…,et-n作為輸入，et作為輸出，通過BP神經(jīng)網(wǎng)絡模型得到et的預測值e∧t，即n∧t。(3)集成模型對序列{xt}的預測值x∧t=l∧t+n∧t。該集成模型的算法流程如圖2所示：

8711211.4412808.0314596.58年份19941995199619971998199920002001GDP16505.9218309.1820141.6622014.2423738.6925547.5427701.5330000.84年份20022003200420052006200720082009GDP32725.5436006.4039637.6644120.6949713.6656754.3162222.4067892.77注：資料來源于中國國家統(tǒng)計局網(wǎng)站(www.stats.gov.cn)修訂后的數(shù)據(jù)，并已按1978年不變價格進行換算。運用SAS軟件作出1978~2004年的GDP序列{xt}的時序圖如圖3：圖3我國1978`2004年GDP趨勢首先，建立干預模型。根據(jù)時序圖所顯現(xiàn)出的特征，對{xt}作如下變換：yt=ln(xt)由于序列{yt}呈現(xiàn)線性增長趨勢，故對yt作一階差分得到y(tǒng)t，記zt=yt。觀察zt的自相關圖與偏自相關圖，可以判斷zt基本平穩(wěn)。對zt進行白噪聲檢驗，其LB統(tǒng)計量的p值小于0.0001，故zt不是白噪聲序列。作出zt的時序圖如圖4所示：圖4zt的時序圖從圖4可以發(fā)現(xiàn)，1981、1984、1989和1992年均有干圖2算法流程142

謝凰恪?運用SAS軟件作出1978~2004年的GDP序列{xt}的時序圖如圖3：圖3我國1978`2004年GDP趨勢首先，建立干預模型。根據(jù)時序圖所顯現(xiàn)出的特征，對{xt}作如下變換：yt=ln(xt)由于序列{yt}呈現(xiàn)線性增長趨勢，故對yt作一階差分得到y(tǒng)t，記zt=yt。觀察zt的自相關圖與偏自相關圖，可以判斷zt基本平穩(wěn)。對zt進行白噪聲檢驗，其LB統(tǒng)計量的p值小于0.0001，故zt不是白噪聲序列。作出zt的時序圖如圖4所示：圖4zt的時序圖從圖4可以發(fā)現(xiàn)，1981、1984、1989和1992年均有干圖2算法流程142

【參考文獻】

相關期刊論文 前3條

1 馮文權(quán);;傳遞函數(shù)模型與干預分析模型[J];數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究;1989年12期

2 熊志斌;;基于ARIMA與神經(jīng)網(wǎng)絡集成的GDP時間序列預測研究[J];數(shù)理統(tǒng)計與管理;2011年02期

3 劉全;劉汀;;基于ARIMA的多元時間序列神經(jīng)網(wǎng)絡預測模型研究[J];統(tǒng)計與決策;2009年11期

相關會議論文 前1條

1 任家福;張f ;周宗放;;基于ARIMA和BP神經(jīng)網(wǎng)絡的組合預測模型及應用研究[A];第三屆（2008）中國管理學年會論文集[C];2008年

相關碩士學位論文 前1條

1 黃雪燕;人工神經(jīng)網(wǎng)絡在GDP預測中的應用研究[D];吉林大學;2007年

【共引文獻】

相關期刊論文 前10條

1 趙成柏;毛春梅;;基于ARIMA和BP神經(jīng)網(wǎng)絡組合模型的我國碳排放強度預測[J];長江流域資源與環(huán)境;2012年06期

2 何新易;;基于時間序列模型的中國GDP增長預測分析[J];財經(jīng)理論與實踐;2012年04期

3 劉紅衛(wèi);肖彩波;;ARMA模型在西藏自治區(qū)GDP預測分析中的應用[J];北方經(jīng)濟;2012年14期

4 李新東;;基于過程神經(jīng)網(wǎng)絡的黑龍江省GDP預測[J];黑龍江教育學院學報;2012年03期

5 梁娜;張吉剛;;基于改進神經(jīng)網(wǎng)絡的GDP時間序列預測[J];河南科學;2011年12期

6 梁娜;張吉剛;;基于改進BP的GDP預測研究[J];計算機與數(shù)字工程;2012年01期

7 黃岳嶸;徐曉鐘;張益銘;王勁松;;基于ARIMA和神經(jīng)網(wǎng)絡模型的城市燃氣負荷預測[J];計算機應用與軟件;2011年12期

8 劉莉佳;孫德山;;組合模型對居民消費價格指數(shù)序列的分析及預測[J];科技信息;2011年27期

9 李興東;武耀華;;基于ARIMA的民勤綠洲水資源承載產(chǎn)值時間序列預測[J];蘭州交通大學學報;2012年03期

10 張茜云;萬定生;殷誼輝;;基于ARIMA與BP的水利工程投資預測模型研究[J];計算機工程與設計;2010年18期

相關會議論文 前1條

1 金晨路;肖穩(wěn)安;;武漢雷暴氣候特征及其ARIMA-NN預測模型的研究[A];S13 第十屆防雷減災論壇——雷電災害與風險評估[C];2012年

相關博士學位論文 前1條

1 馬黎華;石羊河流域用水結(jié)構(gòu)的數(shù)據(jù)驅(qū)動模擬及缺水風險研究[D];西北農(nóng)林科技大學;2012年

相關碩士學位論文 前6條

1 嵇金鑫;土地利用規(guī)劃中城鄉(xiāng)建設用地規(guī)模的預測與實證研究[D];寧波大學;2010年

2 趙光娟;企業(yè)景氣指數(shù)的干預模型研究[D];華中農(nóng)業(yè)大學;2011年

3 崔博;過程神經(jīng)網(wǎng)絡在GDP預測中的應用研究[D];哈爾濱商業(yè)大學;2011年

4 譚健平;基于主導產(chǎn)業(yè)選擇的翠山湖園區(qū)財務效益評估[D];華南理工大學;2011年

5 石艷麗;基于人工神經(jīng)網(wǎng)絡的經(jīng)濟預測模型研究[D];中國地質(zhì)大學（北京）;2008年

6 金晨路;湖北省雷電的特征分析及預測[D];南京信息工程大學;2012年

【二級參考文獻】

相關期刊論文 前10條

1 王樹明,夏國平;基于BP神經(jīng)網(wǎng)絡的飛行動態(tài)實時預測方法[J];北京航空航天大學學報;2001年06期

2 徐金梧，梁靜;神經(jīng)網(wǎng)絡在信號處理中的應用[J];北京科技大學學報;1994年01期

3 張立朋,李立梅;一種用于語音識別的神經(jīng)網(wǎng)絡[J];北京郵電大學學報;1995年01期

4 劉蘭娟;謝美萍;;基于自適應小波神經(jīng)網(wǎng)絡的數(shù)據(jù)挖掘方法研究——對我國石油產(chǎn)量的預測分析[J];財經(jīng)研究;2006年03期

5 朱幫助;林健;;基于神經(jīng)網(wǎng)絡集成的經(jīng)濟預測模型[J];遼寧工程技術(shù)大學學報;2006年S1期

6 黃繼鴻,雷戰(zhàn)波,凌超;經(jīng)濟預警方法研究綜述[J];系統(tǒng)工程;2003年02期

7 景濱杰;回歸分析法在經(jīng)濟預測中的應用淺析[J];山西經(jīng)濟管理干部學院學報;2004年03期

8 林健,彭敏晶;基于神經(jīng)網(wǎng)絡集成的GDP預測模型[J];管理學報;2005年04期

9 陳健;游瑋;田金信;;應用神經(jīng)網(wǎng)絡進行經(jīng)濟預測方法的改進[J];哈爾濱工業(yè)大學學報;2006年06期

10 湯軍其，黃梯云;基于神經(jīng)元網(wǎng)絡的ARMA模型結(jié)構(gòu)選擇[J];決策與決策支持系統(tǒng);1995年04期

相關碩士學位論文 前1條

1 戴華娟;組合預測模型及其應用研究[D];中南大學;2007年

【相似文獻】

相關期刊論文 前10條

1 石艷麗;安海忠;高湘昀;;基于時序—神經(jīng)網(wǎng)絡模型的我國石油消費預測[J];資源與產(chǎn)業(yè);2011年02期

2 王淑芬;李本言;陳美;;基于ARMA模型的天津市“十一五”經(jīng)濟增長預測分析[J];環(huán)渤海經(jīng)濟w

本文編號：2801232