本文關(guān)鍵詞：基于ARIMA與神經(jīng)網(wǎng)絡(luò)集成的GDP時(shí)間序列預(yù)測(cè)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(jīng)網(wǎng)絡(luò)集成的 G D P時(shí)間序列預(yù)測(cè)研究

307

成果及衡量國(guó)民經(jīng)濟(jì)發(fā)展規(guī)模速度結(jié)構(gòu)效益的代表性指標(biāo),也是制定經(jīng)濟(jì)發(fā)展戰(zhàn)略目標(biāo)的主要依據(jù),通過(guò)它可以判斷經(jīng)濟(jì)是在萎縮還是在膨脹,是需要刺激還是需要控制,是處于嚴(yán)重衰退還是處于通脹威脅之中[] l效性 G D P預(yù)測(cè)準(zhǔn)確與否極大地影響政府決策結(jié)果的科學(xué)性和有因此,如何運(yùn)用科學(xué)有效的方法來(lái)對(duì)其進(jìn)行預(yù)測(cè)具有重要的現(xiàn)實(shí)意義用于 G D P預(yù)測(cè)的方法很多,對(duì)于短期 G D P預(yù)測(cè),時(shí)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(yù)測(cè)方法在該類方法中,單整自回歸移動(dòng)平均 (A R M A )模型由于其簡(jiǎn) I

單性可行性和靈活性,故為目前應(yīng)用最廣泛的時(shí)間序列預(yù)測(cè)模型之一 I] z] s[利用 A R M A模型分別對(duì)深圳 G D P和中國(guó) G D P進(jìn)行了預(yù)測(cè) I

見(jiàn)諸文獻(xiàn)的代表性

成果有:郝香文[利用 A R M A技術(shù)構(gòu)建了我國(guó) G D P時(shí)間序列模型,龔國(guó)勇 I和王莎莎等] s] 但是, A R M A模型存在以下兩個(gè)基本缺陷: 1.在 A R M A模型中,序列變量的未來(lái)值被 I I

假定滿足變量過(guò)去觀察值和隨機(jī)誤差值的線性函數(shù)關(guān)系

然而,現(xiàn)實(shí)中絕大多數(shù)時(shí)間序列都

包含有非線性關(guān)系[,因此,用 A R M A方法構(gòu)建時(shí)間序列預(yù)測(cè)模型在實(shí)際應(yīng)用中具有較大 l e I的局限性; 2.為了得到較好的預(yù)測(cè)結(jié)果,使用 A R M A模型需要較多的歷史數(shù)據(jù),一般要求 I

至少 5個(gè)甚至更多 l 0 v

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

展,當(dāng)今社會(huì)變化呈現(xiàn)越來(lái)越快的特點(diǎn)相應(yīng)地,時(shí)間序列預(yù)測(cè)建模所使用歷史數(shù)據(jù)的期限跨度也呈現(xiàn)越來(lái)越短的趨勢(shì)因此,有效的時(shí)間序列預(yù)測(cè)方法應(yīng)該依據(jù)較少的歷史數(shù)據(jù)就能達(dá)

到較好的預(yù)測(cè)效果 .近年來(lái),由于神經(jīng)網(wǎng)絡(luò) (n u a n t o k, N N )模型具有較強(qiáng)的學(xué)習(xí)和數(shù)據(jù)處理能力,能夠 e r l e w r s挖掘數(shù)據(jù)背后復(fù)雜的甚至很難用數(shù)學(xué)式描述的非線性關(guān)系,且神經(jīng)網(wǎng)絡(luò)模型對(duì)建模所用樣本的數(shù)量并無(wú)特殊要求,樣本數(shù)量多,網(wǎng)絡(luò)結(jié)構(gòu)可以復(fù)雜點(diǎn),樣本數(shù)量少,則網(wǎng)絡(luò)結(jié)構(gòu)可以簡(jiǎn)單 些,其結(jié)構(gòu)設(shè)計(jì)具有較大的靈活性,因此,神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)領(lǐng)域受到越來(lái)越多的重視,且已經(jīng)在時(shí)間序列預(yù)測(cè)方法中占據(jù)主導(dǎo)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(shù)來(lái)進(jìn)行時(shí)

序預(yù)測(cè),而對(duì)非線性數(shù)據(jù)的 I處理不盡合理,且效果欠佳;反之, N N技術(shù)擅長(zhǎng)挖掘數(shù)據(jù)中隱含的非線性關(guān)系,但在處理具

有線性特征的數(shù)據(jù)方面,其效果往往不如 A R M A模型[ 2}顯然,實(shí)際的預(yù)測(cè)問(wèn)題通常都既 I l包含了線性時(shí)序的成分,又包含了非線性時(shí)序的成分,呈現(xiàn)出線性和非線性的復(fù)合特征,故單一的線性或非線性預(yù)測(cè)模型都不能很好地捕捉時(shí)間序列的這種復(fù)合特征 ! 21因此,有學(xué)者將上述方法集成進(jìn)行時(shí)間序列預(yù)測(cè)研究,通過(guò)不同方法之間的相互促進(jìn)與補(bǔ)充,以提高模型的預(yù)測(cè)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(jīng)網(wǎng)絡(luò)相結(jié)合的集 e g 成模型對(duì)時(shí)間序列進(jìn)行預(yù)測(cè), T e g等[ 4]利用季節(jié) A R M A模型與 B P神經(jīng)網(wǎng)絡(luò)集成構(gòu)成的 s n l I sA m M A B P模型預(yù)測(cè)季節(jié)性時(shí)間序列, A la a gu等[ 5}也利用類似的集成模型預(yù)測(cè)旅游需 s n r n l求的時(shí)間序列,并與單一模型的預(yù)測(cè)結(jié)果作了對(duì)比,韓冬梅等[ 6]將各單個(gè)模型按不同的組合 l方式構(gòu)建了六種集成模型,并運(yùn)用這些模型對(duì)我國(guó) G D P進(jìn)行了預(yù)測(cè)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(shù)據(jù)為基礎(chǔ)進(jìn)行了比較研究,結(jié)果表明集成模型的總體預(yù)測(cè) 3效果顯著優(yōu)于單一模型的預(yù)測(cè)效果,而且在實(shí)際應(yīng)用中,集成模型的使用風(fēng)險(xiǎn)遠(yuǎn)小于單一模型的使用風(fēng)險(xiǎn)目前,采用集成模型對(duì) G D P時(shí)間序列進(jìn)行預(yù)測(cè)的研究還不多見(jiàn),且現(xiàn)有集成模型的主要形式是對(duì)單個(gè)預(yù)測(cè)方法進(jìn)行加權(quán)平均,其研究重點(diǎn)為加權(quán)系數(shù)的確定加權(quán)系數(shù)直接影響集成模型的使用效果,但如何確定加權(quán)系數(shù)是一件非常困難的事情,在實(shí)際應(yīng)用中帶有強(qiáng)烈的

隨意性和主觀性 zha s s通過(guò)研究認(rèn)為,一個(gè)時(shí)間序列過(guò)程可以看成是由一個(gè)線性結(jié)構(gòu)和 n l] 一個(gè)非線性結(jié)構(gòu)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(guān)鍵詞：基于ARIMA與神經(jīng)網(wǎng)絡(luò)集成的GDP時(shí)間序列預(yù)測(cè)研究，由筆耕文化傳播整理發(fā)布。