基于干预模型与BP神经网络集成的GDP预测
【图文】：
靖稍び跋斓那慷龋?B为后移算子，b为延迟期数。不管任何复杂的干预事件发生，其影响都可归纳为上述四种形式的某种组合[6]。1.2BP神经网络模型基于反向传播（backpropagation）算法的多层前馈神经网络（BP神经网络）是一种应用较广的NN模型。BP网络通常由输入层、输出层和若干隐含层构成，每层由若干个结点组成，每一个结点表示一个神经元，上层结点与下层结点之间通过权联接，层与层之间的节点采用全互连的连接方式，每层内结点之间没有联系[7]。多层前馈神经网络如图1所示：图1多层前馈神经网络BP神经网络通过BP算法来训练模型，其基本思想是：先赋予网络初始权值和阈值，通过层间前向信息传递计算出网络的输出值，然后比较网络的实际输出和期望输出之间的误差，修改网络的权值和阈值，通过不断的反复训练和比较，使得实际输出和期望输出之间的误差达到最小[3]。2基于干预模型与BP神经网络的集成模型2.1集成模型的原理及算法将时间序列{xt}看作由带有干扰因素的线性部分lt与非线性部分nt组成，即xt=lt+nt则可根据以下步骤构建集成模型：(1)利用干预模型对时间序列{xt}建模，得到带有干扰因素的线性部分lt的预测值l∧t，其残差et=xt-l∧t。(2)运用BP神经网络模型来逼近残差序列{et}中的非线性关系，即确定输入层节点个数n后，将et-1,et-2,…,et-n作为输入，et作为输出，通过BP神经网络模型得到et的预测值e∧t，即n∧t。(3)集成模型对序列{xt}的预测值x∧t=l∧t+n∧t。该集成模型的算法流程如图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：资料来源于中国国家统计局网站(www.stats.gov.cn)修订后的数据，并已按1978年不变价格进行换算。运用SAS软件作出1978~2004年的GDP序列{xt}的时序图如图3：图3我国1978`2004年GDP趋势首先，建立干预模型。根据时序图所显现出的特征，对{xt}作如下变换：yt=ln(xt)由于序列{yt}呈现线性增长趋势，故对yt作一阶差分得到yt，记zt=yt。观察zt的自相关图与偏自相关图，可以判断zt基本平稳。对zt进行白噪声检验，其LB统计量的p值小于0.0001，故zt不是白噪声序列。作出zt的时序图如图4所示：图4zt的时序图从图4可以发现，1981、1984、1989和1992年均有干图2算法流程142
谢凰恪?运用SAS软件作出1978~2004年的GDP序列{xt}的时序图如图3：图3我国1978`2004年GDP趋势首先，建立干预模型。根据时序图所显现出的特征，对{xt}作如下变换：yt=ln(xt)由于序列{yt}呈现线性增长趋势，故对yt作一阶差分得到yt，记zt=yt。观察zt的自相关图与偏自相关图，可以判断zt基本平稳。对zt进行白噪声检验，其LB统计量的p值小于0.0001，故zt不是白噪声序列。作出zt的时序图如图4所示：图4zt的时序图从图4可以发现，1981、1984、1989和1992年均有干图2算法流程142
【参考文献】
相关期刊论文 前3条
1 冯文权;;传递函数模型与干预分析模型[J];数量经济技术经济研究;1989年12期
2 熊志斌;;基于ARIMA与神经网络集成的GDP时间序列预测研究[J];数理统计与管理;2011年02期
3 刘全;刘汀;;基于ARIMA的多元时间序列神经网络预测模型研究[J];统计与决策;2009年11期
相关会议论文 前1条
1 任家福;张f ;周宗放;;基于ARIMA和BP神经网络的组合预测模型及应用研究[A];第三届（2008）中国管理学年会论文集[C];2008年
相关硕士学位论文 前1条
1 黄雪燕;人工神经网络在GDP预测中的应用研究[D];吉林大学;2007年
【共引文献】
相关期刊论文 前10条
1 赵成柏;毛春梅;;基于ARIMA和BP神经网络组合模型的我国碳排放强度预测[J];长江流域资源与环境;2012年06期
2 何新易;;基于时间序列模型的中国GDP增长预测分析[J];财经理论与实践;2012年04期
3 刘红卫;肖彩波;;ARMA模型在西藏自治区GDP预测分析中的应用[J];北方经济;2012年14期
4 李新东;;基于过程神经网络的黑龙江省GDP预测[J];黑龙江教育学院学报;2012年03期
5 梁娜;张吉刚;;基于改进神经网络的GDP时间序列预测[J];河南科学;2011年12期
6 梁娜;张吉刚;;基于改进BP的GDP预测研究[J];计算机与数字工程;2012年01期
7 黄岳嵘;徐晓钟;张益铭;王劲松;;基于ARIMA和神经网络模型的城市燃气负荷预测[J];计算机应用与软件;2011年12期
8 刘莉佳;孙德山;;组合模型对居民消费价格指数序列的分析及预测[J];科技信息;2011年27期
9 李兴东;武耀华;;基于ARIMA的民勤绿洲水资源承载产值时间序列预测[J];兰州交通大学学报;2012年03期
10 张茜云;万定生;殷谊辉;;基于ARIMA与BP的水利工程投资预测模型研究[J];计算机工程与设计;2010年18期
相关会议论文 前1条
1 金晨路;肖稳安;;武汉雷暴气候特征及其ARIMA-NN预测模型的研究[A];S13 第十届防雷减灾论坛——雷电灾害与风险评估[C];2012年
相关博士学位论文 前1条
1 马黎华;石羊河流域用水结构的数据驱动模拟及缺水风险研究[D];西北农林科技大学;2012年
相关硕士学位论文 前6条
1 嵇金鑫;土地利用规划中城乡建设用地规模的预测与实证研究[D];宁波大学;2010年
2 赵光娟;企业景气指数的干预模型研究[D];华中农业大学;2011年
3 崔博;过程神经网络在GDP预测中的应用研究[D];哈尔滨商业大学;2011年
4 谭健平;基于主导产业选择的翠山湖园区财务效益评估[D];华南理工大学;2011年
5 石艳丽;基于人工神经网络的经济预测模型研究[D];中国地质大学（北京）;2008年
6 金晨路;湖北省雷电的特征分析及预测[D];南京信息工程大学;2012年
【二级参考文献】
相关期刊论文 前10条
1 王树明,夏国平;基于BP神经网络的飞行动态实时预测方法[J];北京航空航天大学学报;2001年06期
2 徐金梧，梁静;神经网络在信号处理中的应用[J];北京科技大学学报;1994年01期
3 张立朋,李立梅;一种用于语音识别的神经网络[J];北京邮电大学学报;1995年01期
4 刘兰娟;谢美萍;;基于自适应小波神经网络的数据挖掘方法研究——对我国石油产量的预测分析[J];财经研究;2006年03期
5 朱帮助;林健;;基于神经网络集成的经济预测模型[J];辽宁工程技术大学学报;2006年S1期
6 黄继鸿,雷战波,凌超;经济预警方法研究综述[J];系统工程;2003年02期
7 景滨杰;回归分析法在经济预测中的应用浅析[J];山西经济管理干部学院学报;2004年03期
8 林健,彭敏晶;基于神经网络集成的GDP预测模型[J];管理学报;2005年04期
9 陈健;游玮;田金信;;应用神经网络进行经济预测方法的改进[J];哈尔滨工业大学学报;2006年06期
10 汤军其，黄梯云;基于神经元网络的ARMA模型结构选择[J];决策与决策支持系统;1995年04期
相关硕士学位论文 前1条
1 戴华娟;组合预测模型及其应用研究[D];中南大学;2007年
【相似文献】
相关期刊论文 前10条
1 石艳丽;安海忠;高湘昀;;基于时序—神经网络模型的我国石油消费预测[J];资源与产业;2011年02期
2 王淑芬;李本言;陈美;;基于ARMA模型的天津市“十一五”经济增长预测分析[J];环渤海经济w
本文编号：2801232
本文链接：https://www.wllwen.com/weiguanjingjilunwen/2801232.html
