本文關鍵詞：基于ARIMA與神經網絡集成的GDP時間序列預測研究，，由筆耕文化傳播整理發(fā)布。

熊志斌:基于 A R IM A與神經網絡集成的 G D P時間序列預測研究

307

成果及衡量國民經濟發(fā)展規(guī)模速度結構效益的代表性指標,也是制定經濟發(fā)展戰(zhàn)略目標的主要依據,通過它可以判斷經濟是在萎縮還是在膨脹,是需要刺激還是需要控制,是處于嚴重衰退還是處于通脹威脅之中[] l效性 G D P預測準確與否極大地影響政府決策結果的科學性和有因此,如何運用科學有效的方法來對其進行預測具有重要的現(xiàn)實意義用于 G D P預測的方法很多,對于短期 G D P預測,時間序列分析方法 (主要是 B o一n k n x Je i s模型)是較為常用的預測方法在該類方法中,單整自回歸移動平均 (A R M A )模型由于其簡 I

單性可行性和靈活性,故為目前應用最廣泛的時間序列預測模型之一 I] z] s[利用 A R M A模型分別對深圳 G D P和中國 G D P進行了預測 I

見諸文獻的代表性

成果有:郝香文[利用 A R M A技術構建了我國 G D P時間序列模型,龔國勇 I和王莎莎等] s] 但是, A R M A模型存在以下兩個基本缺陷: 1.在 A R M A模型中,序列變量的未來值被 I I

假定滿足變量過去觀察值和隨機誤差值的線性函數關系

然而,現(xiàn)實中絕大多數時間序列都

包含有非線性關系[,因此,用 A R M A方法構建時間序列預測模型在實際應用中具有較大 l e I的局限性; 2.為了得到較好的預測結果,使用 A R M A模型需要較多的歷史數據,一般要求 I

至少 5個甚至更多 l 0 v

然而,在現(xiàn)實情況中,由于整體環(huán)境的不確定性以及新技術的迅猛發(fā)

展,當今社會變化呈現(xiàn)越來越快的特點相應地,時間序列預測建模所使用歷史數據的期限跨度也呈現(xiàn)越來越短的趨勢因此,有效的時間序列預測方法應該依據較少的歷史數據就能達

到較好的預測效果 .近年來,由于神經網絡 (n u a n t o k, N N )模型具有較強的學習和數據處理能力,能夠 e r l e w r s挖掘數據背后復雜的甚至很難用數學式描述的非線性關系,且神經網絡模型對建模所用樣本的數量并無特殊要求,樣本數量多,網絡結構可以復雜點,樣本數量少,則網絡結構可以簡單 些,其結構設計具有較大的靈活性,因此,神經網絡模型在預測領域受到越來越多的重視,且已經在時間序列預測方法中占據主導地位 !一}從上述分析可以看出, A R M A方法是基于線性技術來進行時

序預測,而對非線性數據的 I處理不盡合理,且效果欠佳;反之, N N技術擅長挖掘數據中隱含的非線性關系,但在處理具

有線性特征的數據方面,其效果往往不如 A R M A模型[ 2}顯然,實際的預測問題通常都既 I l包含了線性時序的成分,又包含了非線性時序的成分,呈現(xiàn)出線性和非線性的復合特征,故單一的線性或非線性預測模型都不能很好地捕捉時間序列的這種復合特征 ! 21因此,有學者將上述方法集成進行時間序列預測研究,通過不同方法之間的相互促進與補充,以提高模型的預測效果如 w d in等 1 3}提出了一種將傳統(tǒng)的 A R M A模型與徑向基神經網絡相結合的集 e g 成模型對時間序列進行預測, T e g等[ 4]利用季節(jié) A R M A模型與 B P神經網絡集成構成的 s n l I sA m M A B P模型預測季節(jié)性時間序列, A la a gu等[ 5}也利用類似的集成模型預測旅游需 s n r n l求的時間序列,并與單一模型的預測結果作了對比,韓冬梅等[ 6]將各單個模型按不同的組合 l方式構建了六種集成模型,并運用這些模型對我國 G D P進行了預測此外, M ic e I H b n等 h e i o人 1 7]以 300種不同類型的序列數據為基礎進行了比較研究,結果表明集成模型的總體預測 3效果顯著優(yōu)于單一模型的預測效果,而且在實際應用中,集成模型的使用風險遠小于單一模型的使用風險目前,采用集成模型對 G D P時間序列進行預測的研究還不多見,且現(xiàn)有集成模型的主要形式是對單個預測方法進行加權平均,其研究重點為加權系數的確定加權系數直接影響集成模型的使用效果,但如何確定加權系數是一件非常困難的事情,在實際應用中帶有強烈的

隨意性和主觀性 zha s s通過研究認為,一個時間序列過程可以看成是由一個線性結構和 n l] 一個非線性結構兩部分組成受此啟發(fā),本文提出基于 A R M A和 N N兩種方法集成的 G D P I

  本文關鍵詞：基于ARIMA與神經網絡集成的GDP時間序列預測研究，由筆耕文化傳播整理發(fā)布。