基于ARIMA和BP神经网络模型的重庆市GDP实证分析

发布时间：2020-12-07 16:20

　　GDP作为衡量一个国家及一个地区经济发展重要指标,用相关知识进行定量分析了解其特点,掌握其发展趋势,相关部门可以根据此值制定相关经济政策进行调控。通过分析GDP数据也可来检测制定的宏观政策科学性和有效性,对未来经济发展趋势准确把握有实际意义。本文介绍ARIMA模型、BP神经网络和组合模型相关理论和实际运用,主要通过对重庆市GDP实证分析找到拟合GDP最优模型,然后根据最优模型做出预测。选取1997-2017年重庆市GDP作为研究样本,把1997-2014年的GDP数据作为训练样本,2015-2017年的GDP数据作为测试样本,用平均绝对百分比误差（MAPE）、泰尔不等系数、预测误差的标准差（SDE）、预测精度四种评价标准来对模型测试结果进行评价。首先根据AIC准则确定模型最优参数,确定最优的ARIMA模型。其次在构建BP神经网络时加入动量因子对其网络进行优化,根据测试结果再次利用神经网络拟合的误差构建一个神经网络来对误差进一步修正来充分提取序列信息。最后利用等权法、简单加权法、误差平方和倒数法、误差方差均方倒数法四种方法赋予单个模型不同的权值组成一个新的组合模型,然后对7种模型进行对比... 

【文章来源】：广西师范大学广西壮族自治区

【文章页数】：43 页

【学位级别】：硕士

【部分图文】：

ARIMA模型流程图

图 2.2 1997-2017 年重庆 GDP 时序图.2 可以得到从 1997-2007 年 GDP 增长速度较为平缓，而从 2008 年以后，从图中也可以得出 GDP 没有季节和周期性变化。从总的趋势来看 G

记为 lnGDP。同样用 R 软件对 lnGDP 画出时序图如图 2.3。图 2.3 1997-2017 年重庆 lnGDP 时序图从图 2.3 可以看出经过对数处理后的序列呈线性增长，序列仍为非平稳序列。lnGDP序列进行差分处理来转化成平稳序列。记序列 lnGDP 进行一阶差分后的序列记为 dlnGDP同样画出时序图如图 2.4 所示。图 2.4 重庆市 lnGDP 一次差分 dlnGDP 时序图从图 2.4 看出 dlnGDP 序列仍没有平稳，继续对序列进行二次差分并记二次差分后序列为 d2lnGDP 然后画出 d2lnGDP 时序图如图 2.5 所示。

【参考文献】：
期刊论文
[1]基于ARIMA模型的我国城镇居民人均可支配收入的分析与预测[J]. 杨探.  时代金融. 2018(26)
[2]BP神经网络模型在伏旱预测中的应用——以河西走廊为例[J]. 刘洪兰,张强,张俊国,王海波,闻小艳.  中国沙漠. 2015(02)
[3]基于ARIMA与神经网络集成的GDP时间序列预测研究[J]. 熊志斌.  数理统计与管理. 2011(02)
[4]一种改进的BP网络学习算法[J]. 郭艳兵,齐占庆,王雪光.  自动化技术与应用. 2002(02)
[5]神经网络BP算法的改进和仿真[J]. 刘鹰,赵琳.  计算机仿真. 1999(03)

硕士论文
[1]基于多种组合模型的半干旱区次洪量预测[D]. 冯鑫伟.西安理工大学 2018
[2]基于BP神经网络和半监督学习的时间序列分类模型研究[D]. 郭芷榕.太原理工大学 2018
[3]GDP组合预测模型的构建及应用研究[D]. 陈齐海.南昌大学 2018
[4]几种山东省GDP的预测方法及其比较[D]. 李超楠.山东大学 2018
[5]基于ARIMA模型下的新疆就业人数及GDP的预测分析[D]. 开地热也·克依木.新疆财经大学 2017
[6]人工神经网络算法在GDP和CPI中的预测应用[D]. 王永杰.中北大学 2017
[7]基于ARIMA模型和ARIMAX模型的山东省GDP的预测与分析[D]. 陈聪聪.山东大学 2016
[8]基于BP神经网络组合模型的云南省人口分类预测[D]. 何思兰.昆明理工大学 2016
[9]基于灰色遗传算法优化神经网络的江西省GDP预测[D]. 牛晋徽.景德镇陶瓷大学 2016
[10]基于时间序列分析的我国GDP预测模型[D]. 陈瑶.苏州科技学院 2015



本文编号：2903551