基于时间序列的组合预测模型研究 ——以江西省CPI为例
发布时间：2021-04-24 15:59
随着中国经济的高速发展,人民生活水平的不断提高,国际化进程的不断加快,我们在经济领域的发展越来越快,人均GDP也在不断提升。居民价格消费指数,简称CPI,是用来分析我国市场价格基本走势的一个重要指标,也是国家宏观调控的一个重要依据。国家可以根据CPI的变动来进行货币政策和财政政策的一系列调整,从而来保证市场的稳定和居民的幸福生活。因此,本文着重利用组合模型来对江西省的CPI进行预测。随着人工智能的普及以及各种算法的不断推广,越来越多的预测模型得到了很大程度的提升,对于不同的研究问题,也具有了针对性的模型来进行预测,比如对于CPI的预测,其中就有ARIMA模型、SVM模型和BP神经网络模型等。由于CPI数据是一个具有多方面影响因素制约的一个指标,因此,本文认为,单一的预测模型不能够很好地将序列值所包含的信息完全拟合出来。为了缩小预测的误差,提升模型的精度,本文提出了组合预测模型以及组合系数法,从序列值本身带有的信息特点出发,找到合适的模型,以便于更好地对江西省的CPI进行预测。本文首先介绍了时间序列理论的相关知识,为下文打下了理论基础。然后,根据江西省CPI数据具有的线性与非线性特点,提...
【文章来源】：江西财经大学江西省
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景
1.2 研究意义
1.3 国内外研究现状
1.3.1 国内研究现状
1.3.2 国外研究现状
1.3.3 文献评述
1.4 本文创新之处
1.5 主要研究内容
第2章 时间序列理论
2.1 时间序列定义
2.2 平稳时间序列
2.3 平稳时间序列性质
2.3.1 自相关函数性质
2.3.2 平稳性检验
2.3.3 白噪声检验
2.4 平稳时间序列模型
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 平稳时间序列建模
2.5.1 ARMA模型的ACF和 PACF
2.5.2 模型定阶
2.5.3 参数估计
2.5.4 模型检验
2.5.5 模型优化
2.6 非平稳模型平稳化处理
2.7 非平稳序列确定性分析
2.8 本章小结
第3章 预测模型与组合模型建模与评比
3.1 SARIMA模型
3.2 SVM模型
3.2.1 SVM模型理论概述
3.2.2 SVM模型建立
3.3 BP神经网络模型
3.3.1 BP神经网络基本原理
3.3.2 BP神经网络计算步骤
3.4 组合模型的构建
3.4.1 组合模型理论
3.4.2 组合模型权重选择
3.4.3 组合模型构建
3.4.4 组合预测模型比较评估
3.5 本章小结
第4章 时间序列组合模型预测分析
4.1 SARIMA模型预测分析
4.1.1 数据选取
4.1.2 序列平稳性检验
4.1.3 SARIMA模型建立
4.1.4 模型参数估计及残差的白噪声检验
4.1.5 SARIMA模型预测结果评估
4.2 SVM模型预测分析
4.2.1 SVM模型建模步骤
4.2.2 SVM模型预测结果与数据分析
4.3 BP神经网络模型预测分析
4.3.1 数据预处理
4.3.2 BP神经网络模型预测结果及数据分析
4.4 组合模型预测分析
4.4.1 组合预测模型
4.4.2 SARIMA-SVM组合模型预测分析
4.4.3 SARIMA-BP神经网络组合模型预测分析
4.4.4 几种模型的对比效果
4.5 本章小结
第5章 研究结论及展望
5.1 研究结论
5.2 研究展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于ARIMA模型对江西省CPI的时间序列分析与预测[J]. 戴玉泉. 科学技术创新. 2019(35)
[2]基于SARIMA-SVR组合模型的空气质量指数预测[J]. 郑洋洋,白艳萍,续婷. 河北工业科技. 2019(06)
[3]基于XGBoost和LSTM加权组合模型在销售预测的应用[J]. 冯晨,陈志德. 计算机系统应用. 2019(10)
[4]基于ARIMA-SVM模型的郑州市CPI预测研究[J]. 梁晓莹. 洛阳理工学院学报(社会科学版). 2019(04)
[5]基于回归与ARMA组合模型的安康市农业发展预测研究[J]. 刘铁. 湖北农业科学. 2019(15)
[6]基于时间序列模型对四川省第三产业增加值的预测及分析[J]. 田也,郭金雨,蒲千倩,罗庆华,刘晓红. 中国科技信息. 2019(10)
[7]基于WNN-SVM的水文时间序列预测方法研究[J]. 余洋,万定生. 计算机技术与发展. 2019(09)
[8]基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测——以张家界为例[J]. 陆利军. 吉首大学学报(社会科学版). 2019(01)
[9]基于GM-ARMA组合模型的PM2.5浓度预测——以扬州市为例[J]. 徐辉军,张林男. 南通职业大学学报. 2018(04)
[10]利用网络搜索大数据实现对CPI的短期预报及拐点预测——基于混频抽样数据模型的实证研究[J]. 刘宽斌,张涛. 当代财经. 2018(11)
博士论文
[1]互联网环境下基于消费者搜索的旅游需求预测研究[D]. 张斌儒.对外经济贸易大学 2017
[2]城市住房价格PSO-LSSVR预测模型研究[D]. 刘蓉.重庆大学 2014
硕士论文
[1]基于ARIMA-GARCH和SVR组合模型的股指预测研究[D]. 王运豪.东北师范大学 2019
[2]基于长时间序列夜光遥感数据的黑龙江省GDP预测模型研究[D]. 谢天.哈尔滨工业大学 2018
[3]WTI原油期货价格波动分析[D]. 耿倪.吉林财经大学 2018
[4]时间序列分析的研究与应用[D]. 董亮亮.天津科技大学 2018
[5]基于支持向量机的股票价格预测及投资策略研究[D]. 徐茜茜.西北大学 2018
[6]组合预测模型在CPI预测中的应用[D]. 朱文燕.暨南大学 2017
[7]基于LS-SVM的半圆拱形巷道无线信道建模与预测[D]. 郗茜.西安科技大学 2017
[8]ARMA/GARCH模型参数估计的神经网络方法[D]. 张珞偲祚.中国地质大学(北京) 2017
[9]铁路数据网网络资源管理中的网络流量趋势研究[D]. 张治鹏.北京交通大学 2017
[10]关于全国农村人均消费支出的统计研究[D]. 王义茗.曲阜师范大学 2016
本文编号：3157645
【文章来源】：江西财经大学江西省
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景
1.2 研究意义
1.3 国内外研究现状
1.3.1 国内研究现状
1.3.2 国外研究现状
1.3.3 文献评述
1.4 本文创新之处
1.5 主要研究内容
第2章 时间序列理论
2.1 时间序列定义
2.2 平稳时间序列
2.3 平稳时间序列性质
2.3.1 自相关函数性质
2.3.2 平稳性检验
2.3.3 白噪声检验
2.4 平稳时间序列模型
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 平稳时间序列建模
2.5.1 ARMA模型的ACF和 PACF
2.5.2 模型定阶
2.5.3 参数估计
2.5.4 模型检验
2.5.5 模型优化
2.6 非平稳模型平稳化处理
2.7 非平稳序列确定性分析
2.8 本章小结
第3章 预测模型与组合模型建模与评比
3.1 SARIMA模型
3.2 SVM模型
3.2.1 SVM模型理论概述
3.2.2 SVM模型建立
3.3 BP神经网络模型
3.3.1 BP神经网络基本原理
3.3.2 BP神经网络计算步骤
3.4 组合模型的构建
3.4.1 组合模型理论
3.4.2 组合模型权重选择
3.4.3 组合模型构建
3.4.4 组合预测模型比较评估
3.5 本章小结
第4章 时间序列组合模型预测分析
4.1 SARIMA模型预测分析
4.1.1 数据选取
4.1.2 序列平稳性检验
4.1.3 SARIMA模型建立
4.1.4 模型参数估计及残差的白噪声检验
4.1.5 SARIMA模型预测结果评估
4.2 SVM模型预测分析
4.2.1 SVM模型建模步骤
4.2.2 SVM模型预测结果与数据分析
4.3 BP神经网络模型预测分析
4.3.1 数据预处理
4.3.2 BP神经网络模型预测结果及数据分析
4.4 组合模型预测分析
4.4.1 组合预测模型
4.4.2 SARIMA-SVM组合模型预测分析
4.4.3 SARIMA-BP神经网络组合模型预测分析
4.4.4 几种模型的对比效果
4.5 本章小结
第5章 研究结论及展望
5.1 研究结论
5.2 研究展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于ARIMA模型对江西省CPI的时间序列分析与预测[J]. 戴玉泉. 科学技术创新. 2019(35)
[2]基于SARIMA-SVR组合模型的空气质量指数预测[J]. 郑洋洋,白艳萍,续婷. 河北工业科技. 2019(06)
[3]基于XGBoost和LSTM加权组合模型在销售预测的应用[J]. 冯晨,陈志德. 计算机系统应用. 2019(10)
[4]基于ARIMA-SVM模型的郑州市CPI预测研究[J]. 梁晓莹. 洛阳理工学院学报(社会科学版). 2019(04)
[5]基于回归与ARMA组合模型的安康市农业发展预测研究[J]. 刘铁. 湖北农业科学. 2019(15)
[6]基于时间序列模型对四川省第三产业增加值的预测及分析[J]. 田也,郭金雨,蒲千倩,罗庆华,刘晓红. 中国科技信息. 2019(10)
[7]基于WNN-SVM的水文时间序列预测方法研究[J]. 余洋,万定生. 计算机技术与发展. 2019(09)
[8]基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测——以张家界为例[J]. 陆利军. 吉首大学学报(社会科学版). 2019(01)
[9]基于GM-ARMA组合模型的PM2.5浓度预测——以扬州市为例[J]. 徐辉军,张林男. 南通职业大学学报. 2018(04)
[10]利用网络搜索大数据实现对CPI的短期预报及拐点预测——基于混频抽样数据模型的实证研究[J]. 刘宽斌,张涛. 当代财经. 2018(11)
博士论文
[1]互联网环境下基于消费者搜索的旅游需求预测研究[D]. 张斌儒.对外经济贸易大学 2017
[2]城市住房价格PSO-LSSVR预测模型研究[D]. 刘蓉.重庆大学 2014
硕士论文
[1]基于ARIMA-GARCH和SVR组合模型的股指预测研究[D]. 王运豪.东北师范大学 2019
[2]基于长时间序列夜光遥感数据的黑龙江省GDP预测模型研究[D]. 谢天.哈尔滨工业大学 2018
[3]WTI原油期货价格波动分析[D]. 耿倪.吉林财经大学 2018
[4]时间序列分析的研究与应用[D]. 董亮亮.天津科技大学 2018
[5]基于支持向量机的股票价格预测及投资策略研究[D]. 徐茜茜.西北大学 2018
[6]组合预测模型在CPI预测中的应用[D]. 朱文燕.暨南大学 2017
[7]基于LS-SVM的半圆拱形巷道无线信道建模与预测[D]. 郗茜.西安科技大学 2017
[8]ARMA/GARCH模型参数估计的神经网络方法[D]. 张珞偲祚.中国地质大学(北京) 2017
[9]铁路数据网网络资源管理中的网络流量趋势研究[D]. 张治鹏.北京交通大学 2017
[10]关于全国农村人均消费支出的统计研究[D]. 王义茗.曲阜师范大学 2016
本文编号：3157645
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3157645.html
