基于ARIMA模型和BP神经网络模型的江苏省GDP预测分析
发布时间：2021-04-05 21:01
GDP是指一个国家或地区在内的全部常住单位在一段时间里生产的全部劳务价值和最终产品,它代表着一个国家或地区的经济状况。它与就业率、经济增长率、通货膨胀等都有很大的关联,GDP是狭隘的经济增长。所以掌握GDP的短期变化特点对GDP进行短期预测,这对我们进行宏观经济调控具有重要的作用。江苏省的GDP值近年来都略低于广东省位居全国第二。对作为GDP大省的江苏省而言,预测GDP的值显得尤为重要。本文主要选择1970年到2018年江苏省的GDP数据,其中训练模型使用的是1970年到2016年的数据,而测试模型使用的是余下的年份数据。江苏省的GDP数据,属于非平稳时间序列,具有线性和非线性的特征。本文基于这些数据建立四种模型,主要使用R和SAS两个软件,对江苏省GDP进行预测。最终对我们建立的模型的预测精度进行比较分析,以此找到最优模型。首先,建立ARIMA模型,本文建立的是ARIMA（0,2,2）,此模型是关于江苏省GDP数据的线性模型,并预测出江苏省的GDP值;其次,建立非线性模型BP神经网络,选择合适的激活函数,训练好神经网络结构,挖掘出GDP数据的非线性特点。然后,GDP数据具有线性和非线...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图２－２江苏省ＧＤＰ时序图??－
山东大学硕士学位论文??三?／??嫩＼?／??／??：?Ｊ?＇??麵?／??■?？Ｗ??１？匁?１？７７?ｌｆＭ?ｌ？?Ｉｔ＇Ｄ?！？０?ｌｏｔ?ＩＭｔ?＞Ｍ?ＩＭＣ?ＩＭＭ?ＩＫＭ?！Ｍ?ＩＣＣＣ?ｍｅ?ＷＭ?：００！?９０Ｍ?？＜？?９０（１?２０Ｕ?ｎ＜ｌ?ＸＵ??图２－２江苏省ＧＤＰ时序图??从上图２－２我们可以看出序列存在比较明显的长期的递增形式，所以序列是属??于非平稳序列，因此我们要对１９７０年到２０１６年的ＧＤＰ数据进行平稳化处理。??２．?４．?２数据平稳化处理??由于江苏省ＧＤＰ数据存在明显的长期递增趋势，因此对序列进行一阶差分运??算，▽ｙｔ?＝?ｙｔ?—ｙｔ－ｉ，运行结果如图２－３所示：??Ｖｔｆ??？？ｆ－??????ｊ．?；??二?１＼?［??￣?Ｊ］ｊ１／Ｖ??￣?／??，．丨丨…二?一＾气一＾?＿??■ｎｏ?ｉｎ＞?！＊ｎ?ｉｎｉ?ｉｎ＊?ｉｗ＞?ｉ？（?ｉｍ?ｉｍｉ?ｉｎ＊?ＩＭＳ?■？？？，《■？?ｉｍｉ?ｍａ?ｘｕ?ｍ?ｉｕａ?？ｉｔ?ｋｍ?？■＊??图２－３江苏省ＧＤＰ—阶差分后的序列时序图??从图２－３我们可以看出，我们对序列进行一阶差分后提取了序列的部分递增信??息，但是序列提取的趋势信息不是很完全，长期增长的信息仍然存在于经过差分??后的数据里面，于是我们对差分后的序列再做一次差分运算，二阶差分的时序图??见图２－４。??１７??
山东大学硕士学位论文??Ｗ????ＳＯＯＣ；??ｘｘｏ＼??ｉ?—＾４??ｊ?ｖ?Ｉ??Ｉ?＼??试?ｉ：??＾?；??—??—????Ｊ??Ｉｔｘ?ｔ＊？?！＊Ｔ？?＜＊Ｘ?）？？？?Ｉ？Ｎ?＇ＵＫ?？ｍ?ＩＳＭ?Ｉ４Ｍ?１＊Ｈ?１＊Ｗ?ｉ＊Ｈ?ＪＣＣＣ?ＫＨ?ＭＭ?Ｍｌ?？．＞?Ｋｌ＜?？ｌ＜??图２－４江苏省ＧＤＰ二阶差分后时序图??由图２－４可知，二阶差分序列充分提取了原序列中蕴涵的增长信息，序列呈现??出非常平稳的随机波动。为了进一步确定平稳性，对二阶差分后的序列进行单位??根检验。单位根检验结果见表２－２所示。??表２－２?ＡＤＦ单位根检验??类型?延迟阶数?ｔ检验统计量?Ｐ值??无常数均值、无趋势?］?－７．４?＜０．０００１??有常数均值、无趋势?１?－８．０６?０．０００１??有常数均值、有趋势?１?－８．６７?＜０．０００１??由表２－２可知，当显著性水平七０．０５时，ｐ值明显小于故拒绝原假设，认??为二阶差分后的序列是平稳时间序列。??２．?４．?３模型识别和定阶??再进行二阶差分后确定序列是平稳时间序列，此时我们需要对序列进行纯随??机性检验，如果序列经过检验后是纯随机序列，说明序列没有任何需要提取的价??值信息，建模结束。??表２－３序列白噪声检验??滞后?Ｗ￣￣自由度＂＂Ｆ１?自相关系数??６?３２．０３?６?＜０．０００１￣－０．２４９?－０．２７７?０．４６１?－０．４０１?０．００８?０．３４１￣??１２?３３．８３?１２?０．０００７?－０．１６３?０．０２５?－０．０１４?－０
【参考文献】：
期刊论文
[1]时间序列ARIMA模型在艾滋病疫情预测中的应用[J]. 罗静,杨书,张强,王璐. 重庆医学. 2012(13)
[2]5种系统疾病住院医疗费用的时间序列分析与预测[J]. 吴进军,苏汝好. 中国医院管理. 2000(11)
[3]随机时间序列ARIMA模型在短期经济预测中的应用[J]. 郭旺. 长沙交通学院学报. 1989(01)
硕士论文
[1]基于ARIMA和BP神经网络模型的重庆市GDP实证分析[D]. 王冬冬.广西师范大学 2019
[2]关于我国GDP的预测方法研究[D]. 朱佳俊.山东大学 2019
[3]基于GARCH模型和BP神经网络预测股票价格[D]. 施敏.南京大学 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
[6]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
[7]基于BP神经网络模型下预测吉林省GDP[D]. 孙文渊.延边大学 2015
[8]ARIMA模型与遗传算法优化神经网络在GDP预测中的应用[D]. 单玉隆.兰州大学 2014
[9]时间序列模型在地级市GDP预测中的应用[D]. 李守丽.郑州大学 2013
[10]基于BP神经网络改进算法的湖南省GDP预测研究[D]. 杨挺.中南大学 2008
本文编号：3120096
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图２－２江苏省ＧＤＰ时序图??－
山东大学硕士学位论文??三?／??嫩＼?／??／??：?Ｊ?＇??麵?／??■?？Ｗ??１？匁?１？７７?ｌｆＭ?ｌ？?Ｉｔ＇Ｄ?！？０?ｌｏｔ?ＩＭｔ?＞Ｍ?ＩＭＣ?ＩＭＭ?ＩＫＭ?！Ｍ?ＩＣＣＣ?ｍｅ?ＷＭ?：００！?９０Ｍ?？＜？?９０（１?２０Ｕ?ｎ＜ｌ?ＸＵ??图２－２江苏省ＧＤＰ时序图??从上图２－２我们可以看出序列存在比较明显的长期的递增形式，所以序列是属??于非平稳序列，因此我们要对１９７０年到２０１６年的ＧＤＰ数据进行平稳化处理。??２．?４．?２数据平稳化处理??由于江苏省ＧＤＰ数据存在明显的长期递增趋势，因此对序列进行一阶差分运??算，▽ｙｔ?＝?ｙｔ?—ｙｔ－ｉ，运行结果如图２－３所示：??Ｖｔｆ??？？ｆ－??????ｊ．?；??二?１＼?［??￣?Ｊ］ｊ１／Ｖ??￣?／??，．丨丨…二?一＾气一＾?＿??■ｎｏ?ｉｎ＞?！＊ｎ?ｉｎｉ?ｉｎ＊?ｉｗ＞?ｉ？（?ｉｍ?ｉｍｉ?ｉｎ＊?ＩＭＳ?■？？？，《■？?ｉｍｉ?ｍａ?ｘｕ?ｍ?ｉｕａ?？ｉｔ?ｋｍ?？■＊??图２－３江苏省ＧＤＰ—阶差分后的序列时序图??从图２－３我们可以看出，我们对序列进行一阶差分后提取了序列的部分递增信??息，但是序列提取的趋势信息不是很完全，长期增长的信息仍然存在于经过差分??后的数据里面，于是我们对差分后的序列再做一次差分运算，二阶差分的时序图??见图２－４。??１７??
山东大学硕士学位论文??Ｗ????ＳＯＯＣ；??ｘｘｏ＼??ｉ?—＾４??ｊ?ｖ?Ｉ??Ｉ?＼??试?ｉ：??＾?；??—??—????Ｊ??Ｉｔｘ?ｔ＊？?！＊Ｔ？?＜＊Ｘ?）？？？?Ｉ？Ｎ?＇ＵＫ?？ｍ?ＩＳＭ?Ｉ４Ｍ?１＊Ｈ?１＊Ｗ?ｉ＊Ｈ?ＪＣＣＣ?ＫＨ?ＭＭ?Ｍｌ?？．＞?Ｋｌ＜?？ｌ＜??图２－４江苏省ＧＤＰ二阶差分后时序图??由图２－４可知，二阶差分序列充分提取了原序列中蕴涵的增长信息，序列呈现??出非常平稳的随机波动。为了进一步确定平稳性，对二阶差分后的序列进行单位??根检验。单位根检验结果见表２－２所示。??表２－２?ＡＤＦ单位根检验??类型?延迟阶数?ｔ检验统计量?Ｐ值??无常数均值、无趋势?］?－７．４?＜０．０００１??有常数均值、无趋势?１?－８．０６?０．０００１??有常数均值、有趋势?１?－８．６７?＜０．０００１??由表２－２可知，当显著性水平七０．０５时，ｐ值明显小于故拒绝原假设，认??为二阶差分后的序列是平稳时间序列。??２．?４．?３模型识别和定阶??再进行二阶差分后确定序列是平稳时间序列，此时我们需要对序列进行纯随??机性检验，如果序列经过检验后是纯随机序列，说明序列没有任何需要提取的价??值信息，建模结束。??表２－３序列白噪声检验??滞后?Ｗ￣￣自由度＂＂Ｆ１?自相关系数??６?３２．０３?６?＜０．０００１￣－０．２４９?－０．２７７?０．４６１?－０．４０１?０．００８?０．３４１￣??１２?３３．８３?１２?０．０００７?－０．１６３?０．０２５?－０．０１４?－０
【参考文献】：
期刊论文
[1]时间序列ARIMA模型在艾滋病疫情预测中的应用[J]. 罗静,杨书,张强,王璐. 重庆医学. 2012(13)
[2]5种系统疾病住院医疗费用的时间序列分析与预测[J]. 吴进军,苏汝好. 中国医院管理. 2000(11)
[3]随机时间序列ARIMA模型在短期经济预测中的应用[J]. 郭旺. 长沙交通学院学报. 1989(01)
硕士论文
[1]基于ARIMA和BP神经网络模型的重庆市GDP实证分析[D]. 王冬冬.广西师范大学 2019
[2]关于我国GDP的预测方法研究[D]. 朱佳俊.山东大学 2019
[3]基于GARCH模型和BP神经网络预测股票价格[D]. 施敏.南京大学 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
[6]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
[7]基于BP神经网络模型下预测吉林省GDP[D]. 孙文渊.延边大学 2015
[8]ARIMA模型与遗传算法优化神经网络在GDP预测中的应用[D]. 单玉隆.兰州大学 2014
[9]时间序列模型在地级市GDP预测中的应用[D]. 李守丽.郑州大学 2013
[10]基于BP神经网络改进算法的湖南省GDP预测研究[D]. 杨挺.中南大学 2008
本文编号：3120096
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3120096.html
