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.     

时间序列分析法在预测未来GDP中的应用

时间序列分析法是根据已得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。本文是以郑州市的GDP为例,并运用ARMA模型预测法对未来5年郑州市GDP进行预测。     

基于ARIMA模型算法的频谱时间序列预测分析

结合频谱时同序列的特点,选择ARIMA模型作为预测模型,通过ARIMA模型算法的流程分析,初步论证预测模型及预测精度的可靠性.     

我国居民消费价格指数时间序列预测——基于ARIMA模型的分析

CPI(居民消费价格指数)是反映与居民生活有关的商品以及劳务的价格变动指标,可以衡量一国通货膨胀程度。为把握我国居民消费价格指数的变动趋势,本文选取2009年1月至2017年4月CPI时间序列数据,采用时间序列分析的方法,对数据进行处理及ADF检验等方法分析CPI序列的特征,并选择自回归移动平均(ARIMA)模型对我国的居民消费价格指数数据进行建模预测,得出2017年5月CPI指数为101.8%,预计通货膨胀温和。     

时间序列分析技术在GDP增长预测中的应用

综合运用了判别时间序列平稳性的方法，建立了1952-2004年中国GDP的时间序列模型。为了消除虚假回归，利用单位根方法检验了时间序列的单整阶数；在判别差分序列的平稳性之后，利用AIC和SC准则判别了时间序列模型的自回归阶数(AR(p))和移动平均阶数(MA(q))；然后用OLS法对时间序列模型的回归参数进行了估计，对估计模型进行了白噪声检验，并对通过检验的回归结果进行了分析。     

基于ARIMA模型的我国GDP短期预测

国内生产总值(Gross Domestic Product,简称GDP)常被公认为衡量国家经济状况的最佳指标,因此对GDP的预测越来越受到政府和公众的关注.由于影响GDP的因素有很多,而且这些因素间又常常存在多重共线性,所以准确找出影响GDP的重要因素并进行建模比较困难,而且经济数据常常是自相关非平稳的,因此本文采用ARIMA模型来拟合1991年到2010年的GDP数据并预测GDP.结果表明ARIMA(1,1,1）能较好拟合GDP数据,预测表明我国经济发展势头良好.     

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.     

基于时间序列ARIMA模型的电力负荷短期预测分析

科学的预测电力负荷数据可以更有效地进行电力生产规划和电力供需调整。本文基于代顿市2017年度电力负荷数据构建ARIMA模型,并使用该模型预测2018年的第一个月。并与1月份的实际数据进行比较,验证了模型的真实性和可靠性。研究结果表明:ARIMA(1,1,1)具有良好的预测结果和准确的预测精度。平均预测误差约为4.00%,达到了最小误差的预测效果。     

基于Huang变换和ARIMA模型的时间序列预测方法

文中首先通过Huang变换将非平稳时间序列分解为有限个固有模态函数和一个残余函数之和,然后应用ARIMA模型对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,得到原始时间序列的预测值。实例证明,基于Huang变换和ARIMA模型的时间序列预测方法,优于小波变换、ARIMA模型以及小波变换和ARIMA模型相结合的预测方法,提高了预测精度。     

WFAR模型在时间序列预测中的应用

随着模糊集合理论应用的不断广泛深入,为深刻研究时间序列数据状态波动的依赖关系,提出了模糊自回归时间序列预测模型,更适合解决复杂依赖关系且带有缺失、含糊、不准确等现象的时间序列预测问题。模型采用模糊聚类的方法对论域进行划分建立模糊集,并根据历史数据抽取模糊规则。利用自相关性确定数据状态间的依赖关系,通过马尔科夫转移概率抽取状态转移信息。模型既考虑了数据状态间的相互作用关系,又兼顾了状态转移频率的影响,进而达到提高预测质量的目的。实验部分将Alabama大学入学人数作为实验数据,以均方误差作为衡量标准,经过比较提出模型的预测质量明显优于传统模糊时间序列预测模型,说明了模型的可行性和有效性。     

基于ARIMA乘积模型的国民经济GDP预测研究

本文采用国家统计局网站1992年至2016年的季度GDP数据资料,先后采用全部及部分数据对比建模并预测。首先利用全部数据资料,借助Eviews软件,对季度GDP数据进行平稳性检验,逐期及季节差分,建模,指出其不足,其次考虑我国GDP指标的核算方法以及数据公布方法的改革,并依据已选模型进行CHOW稳定性检验结果,截取2004年至2016年的季度GDP数据资料建立模型,并通过对比指标MAPE等,筛选出最优模型;最后对我国2017年的季度GDP进行预测,预测结果表明所选模型能较准确地反映我国季度GDP的变化规律。     

基于ARIMA模型对上证指数月度时间序列的分析和预测

股票价格指数的影响因素错综复杂,现阶段影响我国股票价格的主要领域是银行储蓄、债券市场、期货市场、房地产,汇率等,从目前金融学发展的趋势和广大投资者对股票市场众多金融工具迫切的需求来看,通过建立恰当的时间序列模型可以达到对股票价格整体走势进行大致的预测的目的.本文选取了从2011年12月我国加入WTO至2014年7月以来的上证综合指数的月度数据,通过建立ARIMA模型采用一步向前静态预测的方法对我国股市2014年8月的上证综合指数进行了预测,发现我国2014年前两个季度以来整体股市呈现上升的趋势.本文的创新之处在于对样本数据取了对数,从而消除了时间序列中的自相关和异方差,同时使得预测值接近实际值,效果良好,希望对广大股民提供借鉴参考.     

基于PSOGA的LS-SVM模型在时间序列预测中的应用

使用PSO与GA结合的混合算法PSOGA对最小二乘支持向量机(LS-SVM)模型的参数进行了优化,搜索到更优的参数,提高了模型的时间序列预测精度.在Mackey-Glass、Lorenz时间序列上的实验结果表明:本文模型预测精度较高.     

基于时间序列ARIMA模型的高职高专院校生师比预测

为促进高职高专教育的教学质量提高和可持续发展,提出一种基于时间序列ARIMA模型的高职高专院校生师比预测法.简要介绍了时间序列ARIMA模型,并探讨了初始数据的平稳化过程,利用自相关系数和偏自相关系数分析了模型参数的选择过程,利用该模型对高职高专院校生师比进行预测.结果表明:未来几年内高职高专院校生师比呈上升趋势,2020年将达到20.32∶1,超出合格标准。该结果为师资队伍建设及制定招生计划提供理论参考.     

基于改进神经网络的GDP时间序列预测

由于GDP时间序列具有线性和非线性的特征,神经网络(NN)方法和集成预测方法等在预测分析时可能产生较大误差.以GDP的年增长率作为神经网络的输入,建立基于BPNN的GDP预测模型.利用此改进BPNN模型对我国的GDP进行预测和验证,并分别与ARIMA-BP集成模型及BPNN模型进行比较.结果表明,改进的BPNN模型预测...     

交通量时间序列ARIMA预测技术研究

实时准确的交通流量预测是智能运输系统实现的前提和关键。随着预测时间间隔的进一步缩短，交通流量的不确定性越来越强。作为时域分析方法之一的ARIMA模型，以其理论基础扎实、操作步骤规范、分析结果易于解释的优点，成为时间序列分析的主流方法。文章结合SPSS软件对该预测技术进行研究，并利用某高速公路交通量调查序列进行实证分析。     

基于ARIMA模型的我国粮食产量时间序列分析

本文介绍求和自回归于移动平均模型ARIMA（p,d,q）的建模方法。基于1978-2009年我国粮食生产总量的数据分析与预测,并用Eviews软件完成建模过程。通过两个模型预测效果的比较,结果表明,平滑ARIMA模型比ARIMA模型预测的准确度大大提高。     

基于ARIMA模型的时间序列数据挖掘方法改进

ARIMA模型是一种很重要的时间序列数据挖掘模型,但是这个模型往往只是对某个时间点进行研究.事实上一段时间往往影响未来的预测结果,就ARIMA模型的数据挖掘方法进行改进,并用美国IT界的股票价格数据对改进的模型进行了实证分析.结果显示改进后的模型与未来股票价格的预测更加准确.