基于ARIMA与神经网络集成的GDP时间序列预测研究

  本文关键词：基于ARIMA与神经网络集成的GDP时间序列预测研究，，由笔耕文化传播整理发布。

熊志斌:基于 A R IM A与神经网络集成的 G D P时间序列预测研究

307

成果及衡量国民经济发展规模速度结构效益的代表性指标,也是制定经济发展战略目标的主要依据,通过它可以判断经济是在萎缩还是在膨胀,是需要刺激还是需要控制,是处于严重衰退还是处于通胀威胁之中[] l效性 G D P预测准确与否极大地影响政府决策结果的科学性和有因此,如何运用科学有效的方法来对其进行预测具有重要的现实意义用于 G D P预测的方法很多,对于短期 G D P预测,时间序列分析方法 (主要是 B o一n k n x Je i s模型)是较为常用的预测方法在该类方法中,单整自回归移动平均 (A R M A )模型由于其简 I

单性可行性和灵活性,故为目前应用最广泛的时间序列预测模型之一 I] z] s[利用 A R M A模型分别对深圳 G D P和中国 G D P进行了预测 I

见诸文献的代表性

成果有:郝香文[利用 A R M A技术构建了我国 G D P时间序列模型,龚国勇 I和王莎莎等] s] 但是, A R M A模型存在以下两个基本缺陷: 1.在 A R M A模型中,序列变量的未来值被 I I

假定满足变量过去观察值和随机误差值的线性函数关系

然而,现实中绝大多数时间序列都

包含有非线性关系[,因此,用 A R M A方法构建时间序列预测模型在实际应用中具有较大 l e I的局限性; 2.为了得到较好的预测结果,使用 A R M A模型需要较多的历史数据,一般要求 I

至少 5个甚至更多 l 0 v

然而,在现实情况中,由于整体环境的不确定性以及新技术的迅猛发

展,当今社会变化呈现越来越快的特点相应地,时间序列预测建模所使用历史数据的期限跨度也呈现越来越短的趋势因此,有效的时间序列预测方法应该依据较少的历史数据就能达

到较好的预测效果 .近年来,由于神经网络 (n u a n t o k, N N )模型具有较强的学习和数据处理能力,能够 e r l e w r s挖掘数据背后复杂的甚至很难用数学式描述的非线性关系,且神经网络模型对建模所用样本的数量并无特殊要求,样本数量多,网络结构可以复杂点,样本数量少,则网络结构可以简单 些,其结构设计具有较大的灵活性,因此,神经网络模型在预测领域受到越来越多的重视,且已经在时间序列预测方法中占据主导地位 !一}从上述分析可以看出, A R M A方法是基于线性技术来进行时

序预测,而对非线性数据的 I处理不尽合理,且效果欠佳;反之, N N技术擅长挖掘数据中隐含的非线性关系,但在处理具

有线性特征的数据方面,其效果往往不如 A R M A模型[ 2}显然,实际的预测问题通常都既 I l包含了线性时序的成分,又包含了非线性时序的成分,呈现出线性和非线性的复合特征,故单一的线性或非线性预测模型都不能很好地捕捉时间序列的这种复合特征 ! 21因此,有学者将上述方法集成进行时间序列预测研究,通过不同方法之间的相互促进与补充,以提高模型的预测效果如 w d in等 1 3}提出了一种将传统的 A R M A模型与径向基神经网络相结合的集 e g 成模型对时间序列进行预测, T e g等[ 4]利用季节 A R M A模型与 B P神经网络集成构成的 s n l I sA m M A B P模型预测季节性时间序列, A la a gu等[ 5}也利用类似的集成模型预测旅游需 s n r n l求的时间序列,并与单一模型的预测结果作了对比,韩冬梅等[ 6]将各单个模型按不同的组合 l方式构建了六种集成模型,并运用这些模型对我国 G D P进行了预测此外, M ic e I H b n等 h e i o人 1 7]以 300种不同类型的序列数据为基础进行了比较研究,结果表明集成模型的总体预测 3效果显著优于单一模型的预测效果,而且在实际应用中,集成模型的使用风险远小于单一模型的使用风险目前,采用集成模型对 G D P时间序列进行预测的研究还不多见,且现有集成模型的主要形式是对单个预测方法进行加权平均,其研究重点为加权系数的确定加权系数直接影响集成模型的使用效果,但如何确定加权系数是一件非常困难的事情,在实际应用中带有强烈的

随意性和主观性 zha s s通过研究认为,一个时间序列过程可以看成是由一个线性结构和 n l] 一个非线性结构两部分组成受此启发,本文提出基于 A R M A和 N N两种方法集成的 G D P I

  本文关键词：基于ARIMA与神经网络集成的GDP时间序列预测研究，由笔耕文化传播整理发布。