资源描述：
《基于ARIMA与神经网络集成的GDP时间序列预测研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、2011年3月数理统计与管理Mar.2011第30卷第2期JournalofApPliedStatistiesandManagementV21.30No.2文章编号:1002一1566(2011)02一0306一09基于ARIMA与神经网络集成的GDP时间序列预测研究熊志斌(华南师范大学数学科学学院,广东广州510631)摘要:本文深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型的预测特性和优劣,并在此基础上建立了由ARIMA模型和NN模型集成的GDP时间序列预浏模型与葬法.其基本思想是充分发挥两种模型在线性空间和非线性空间的预浏优势,据此将GDP时间序
2、列的数据结构分解为线性自相关主休和非线性残差两部分,首先用ARIMA模型预浏序列的线性主体,然后用NN模型对其非线性残差进行估计,最终集成为整个序列的预浏结果.仿真实脸表明:集成模型的预浏准确率显著高于单一模型的预浏准确率,从而证实了集成模型用于GDP预浏的有效性.关键词:单整自回归移动平均;神经网络;集成模型;GDP预浏中图分类号:F224,,0212文献标识码:AResearehonGDPTimeSeriesForeeastingBasedonIntegratingARIMAwithNeuralNetworksXIONGZhi一bin(SchoolofMathemati
3、calSeiences,SouthChinaNormalUniversity,GuangdongGuangzhou510631,China)Abstraet:Basedonanalysisoftheautoregressiveintegratedmovingaver笔e(ARIMA)andneuralnet-works(NN)models,thispaperPresentsanensembleapProachtoGDPtimeseriesforeeastingwhiehintegratingARIMAwithNN.TheGDPtimeseriesareeonsideredt
4、obeeomPosedofalinearautoeor-relationstruetureandnonlinearstrueture.ARIMA15usedtomodelthelineareomponentofGDPtimeseriesandtheNNmodel15apPliedtothenonlinearresidualseomPonentPredietion.TheresultsofGDPforee韶tingshowthattheProposedmodel,whiehintegratestheuniquestrengthofthetwomodelsinlinearand
5、nonlinearmodeling,h韶themoreforeeastingaceuracythanthatofsinglemodel.Keywords:autoregressiveintegratedmovingaver鳍e,neuralnetworks,integratedmodel,GDPfore-easting0引言国内生产总值(GDP)是指在一个特定时期内,一个国家或地区的经济中所生产出的全部最终产品和劳务的价值,它反映一国或者一个地区所有常住单位在核算期内生产活动的最终收稿日期:2009年10月15日收到修改稿日期:2010年3月1日熊志斌:基于ARIMA与神经
6、网络集成的GDP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]"GDP预测准确与否极大地影响政府决策结果的科学性和有效性"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GDP预测的方法很多,对于短期GDP预测,时间序列分析方法(主要是Box一Jenkins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(ARIMA)模型由于其简单性!可行性和灵活性,故为目前应用最广泛的时间
7、序列预测模型之一Iz]"见诸文献的代表性成果有:郝香文[s]利用ARMA技术构建了我国GDP时间序列模型,龚国勇I].和王莎莎等[s]利用ARIMA模型分别对深圳GDP和中国GDP进行了预测"但是,ARIMA模型存在以下两个基本缺陷:1.在ARIMA模型中,序列变量的未来值被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[el,因此,用ARIMA方法构建时间序列预测模型在实际应用中具有较大的局限性;2.为了得到较好的预测结果,使用ARIMA模型需要较多的历史数据,一
