ARIMA模型与指数平滑法对山东省GDP的实证分析

文借助Eviews6.0和Excel软件,建立了ARIMA(1,2,1)预测模型和三次指数平滑预测模型,对山东省1978年到2010年国内生产总值(GDP)数据进行分析,并对2011年到2013年的GDP进行预测。结果表明,ARIMA模型预测结果与真实值相比平均相对误差小,结果更为精确,基本符合事实。因此,选择ARIMA(1,2,1)模型作为最优模型为有关部门制定经济发展战略、经济发展规划提供重要依据。     

基于ARIMA的GDP预测模型的构建及应用

为了准确预测山东省“十二五”期间GDP增长趋势,本文通过分析山东省1978～2012年GDP数据,构建了基于ARIMA模型的GDP预测模型.结果表明,ARIMA(2,2,2)模型能够较好地拟合山东省1978～2012年间GDP变化,在此基础上对山东省2013～2015年GDP进行了预测,结果依次为59 613.02,69 204.16,80 328.56亿兀.     

基于ARIMA模型的国内生产总值预测

本文通过对1952年以来的各年度GDP数据进行数学建模,利用ARIMA模型对年度GDP进行了预测。实验结果表明：ARIMA模型对GDP年度数据预测的一步预测相对误差可以保持在3%以内,具有较高的预测精度。     

中国人均GDP的ARIMA模型分析与预测

人均GDP是反映一个国家综合实力的重要经济指标,由于经济波动的影响和随机因素的干扰,一般单变量模型模拟的效果较差,利用ARIMA(1,1,2)模型建模,可用过去人均GDP的值和过去误差来预测未来人均GDP的走势,有较强的预测能力,从而为经济政策的调整和制定提供参考.     

混合时间序列模型在经济增长预测中的应用

把趋势外推模型和ARIMA模型结合起来可构建混合时间序列这一新的预测模型.利用该模型,并以1978~2000年我国GDP总量数据为依据,通过Eviews5.0软件对模型进行估计,并根据建立的新模型对2001~2004年GDP总量作预测效果检验.结果表明,通过混合时间序列模型实施预测,误差相对较小,效果更好.     

GDP时间序列的ARIMA模型研究

在经典计量经济学建模过程中,通常假定经济时间序列是平稳的,而且主要以某种经济理论或对某种经济行为的认识来确定计量经济学的模型理论的关系式.然而在经济领域中,许多时间序列数据不是由平稳过程产生的,基于此,研究了国内生产总值GDP随时间位移而持续增长的特性,确定了模型的自回归阶数,建立了ARIMA模型,并对ARIMA模型进行了检验,确定了模型的平稳性与模型自回归影响的持久性.     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

我国农产品物流需求量组合预测分析——基于PLS、BP神经网络和ARIMA模型的实证

针对影响农产品物流需求的各种特定因素,提出基于偏最小二乘回归(PLS)、BP神经网络和ARIMA模型的我国农产品物流需求量最优组合预测分析方法体系,并基于1995-2015年中国农产品物流需求量相关数据对我国农产品物流需求进行预测分析。实证分析结果表明,预测方法不但能够有效预测农产品物流需求量的整体变化趋势和细节波动,具有更高的预测精度,而且能够反映粮食产量、粮食价格等影响因素对物流需求量的作用机制。     

基于组合预测模型对中国经济外贸依存度的预测

以"中国制造2025"战略为背景,研究中国经济增长对外贸的依赖程度.选取1978—2018年进出口贸易量和GDP为基础数据,分别运用NARX(nonlinear autoregressive with exogenous inputs)动态神经网络和ARIMA(autoregressive integrated moving average model)模型作为单项预测,建立组合预测模型,预测了2019—2025年中国经济对外贸易依存度,并对其进行测度和分析.研究结果表明:组合预测模型比两种单项预测模型效果更好,预测精度更高;未来几年中国的对外贸易依存度指数值呈下降趋势,预计2025年将下降到0.2279,同比2019年下降幅度高达26.83％.     

基于支持向量机的发电量对GDP的预测

GDP展示了一个国家的经济状况,GDP数据经常被经济学家和政府官员当作重要的政策制定依据.GDP影响因素较复杂,电力行业作为关系国计民生的基础产业,对促进国民经济的发展和社会进步起到重要作用.为了简化预测步骤和拓展预测研究方法,并提高GDP预测精度,首先通过发电量数据对美国电力工业进行分析,进而通过实验说明了净发电量和美国GDP存在正相关关系,最后选取并建立SVM模型,提出通过相关净发电量数据预测GDP的新的研究方法.通过本文方法得到实验结果相关系数为99.772 4%,取得了令人满意的结果.通过实验证明了相关净发电量数据与GDP数据存在极强的正相关性.     

组合预测模型在中国GDP预测中的应用

在ARIMA、混合时间序列和GM(1,1)模型基础上,利用中国经济发展数据建立一个组合预测模型,并把它应用于我国GDP的预测。所得结果误差优于三个模型的分别预测,表明组合预测模型在时间序列数据的预测中更有优势。     

西藏经济发展预测及影响因素分析

以西藏自治区国内生产总值和影响经济发展的因素作为研究对象,采用定量研究分析的方法,通过西藏GDp数据分析建立了时间序列ARIMA模型,利用该模型对西藏GDP进行了预测。结果表明各年实际值与预测值较为吻合,达到了较好的预测效果。此外采用多元线性回归方法对影响西藏经济的因素进行了分析研究,从影响西藏经济发展的因素来看,在进出口总额、财政支出,固定资产投资总额因素中财政支出对西藏经济发展的因素影响依然较大,这与西藏自身“造血”能力不强有关。     

沪津GDP增长回归模型比较及发展前景研究

分别选取长三角中的上海市和环渤海中的天津市，建立并比较它们国内生产总值(GDP)增长的多元回归拟合模型，并通过对环境变量系数的灵敏度分析，解释其代表的深刻经济意义，从而推测天津市未来发展前景。建立的多元回归拟合模型，对于GDP增长处于由平稳到加速过程中的城市，有非常好的拟合效果，对环境变量系数的灵敏度分析，对于分析我国城市发展的状况和影响因素，有重要的理论和现实意义。     

中国GDP指数对BDI指数的吸引力研究

BDI指数是衡量国际间贸易情况的重要指标之一,近年来中国经济的飞速发展使得其GDP指数对BDI指数的影响力与日俱增.从吸引子角度对中国GDP指数对BDI指数的吸引力进行了研究,通过拟合BDI和GDP指数的变化轨道,应用微积分分析两者吸引关系,得到GDP指数对BDI指数相应的吸引力.利用该吸引力对GDP数据构建新的BDI波动率并建立对比GARCH模型,同时考察了其它随机因素对BDI指数的作用.研究结果表明:中国GDP指数对BDI指数存在吸引力,它们间的这种关系可能成为研究经济危机的一种手段.     

基于ARIMA、BP神经网络与GM的组合模型

为了提高预测模型的精度,给出了一种新的组合预测模型.利用时间序列ARIMA预测模型、BP神经网络及GM灰色预测模型进行单一模型的拟合与预测,通过赋予适当权系数结合三种方法得到了新的组合预测模型.山西省人均GDP预测实例应用结果表明:组合预测模型很好地描述了山西省人均GDP的非线性发展,比单一预测方法具有更高的预测精度.组合模型发挥了这三种模型各自的优势,可以作为人均GDP预测的有效方法,该模型在时间序列的预测中是有效的.     

中国未来能源需求趋势分析

为给中国能源发展规划提供参考,分析预测了中国未来能源需求状况。采用了国际间比较分析的方法,对不同国家在不同发展阶段人均国民生产总值(GDP)与人均能源消费总量、GDP能源消费强度、人均电力消费、交通用能之间的关系进行分析。结果表明,随着中国未来经济的发展,中国能源消费总量还将大幅度增长;中国未来GDP能源强度还有一定的下降空间,电力消费和油品消费在终端能源中的比例将进一步提高。     

基于多重时间序列模型的城市固定资产投资与GDP的动态关系

针对固定资产投资与GDP动态关系的研究,首先采用Granger Causality Test确定固定资产投资与GDP存在因果关系,建立了固定资产投资与GDP的多重时间序列模型,并用Q统计量检验模型的适应性;对模型分析得出,固定资产投资会推动GDP增长,且具有4~5 a的正向滞后作用;最后,分别应用该模型和ARIMA模型预测厦门市2000—2008年GDP值,结果表明,该模型预测误差比ARIMA模型低8%左右.     

一种新的基于DFNN的时间序列预测

对时间序列预测, 利用自回归移动平均模型(ARIMA)给出了一种新的基于动态模糊神经网络(DFNN)的模型, 该模型中主要是考虑了输出误差这个重要因素. 将ARIMA模型产生的非线性特征用DFNN模型模拟. 能够产生比DFNN和ARIMA单个模型更加精确的模型. 因此, 它可以作为一个适当的替代模型来预测任务,特别是当需要更高的预测精度的时候. 最后用Mackey-Glass时间序列验证了模型的有效性.     

用于短时交通流预测的多项式分布滞后模型

提出了用于短时交通流预测的多项式分布滞后模型.其建模思想是交通状态时间序列同时受自身滞后项之外的多个因素影响,并且影响分布到了多个时段.通过与ARIMA模型(自回归整数移动平均模型)的预测精度对比分析,表明PDL（多项式分布滞后）模型具有与ARIMA相同的预测精度,而在模型可移植性、算法复杂性和实现方面更具优势.研究结果为短时交通流预测理论提供一种新的研究思路.