GDP的时间序列模型的建立及应用——以兰州市为例

GDP是人们了解和把握一个国家或地区宏观经济运行状况的有效途径.文章在介绍时间序列的基础上,利用Eviews统计软件及非参数统计方法,对兰州市1978-2010年的GDP数据进行实证分析,建立了ARIMA(1,1,4)模型.检验表明,该模型具有较好的预测效果,利用该模型对兰州市未来5年的GDP进行了预测.     

基于Box-Jenkins方法的甘肃省GDP时间序列分析建模与预测

基于Box-Jenkins方法的时间序列分析,以甘肃省1978—2012年的年度GDP数据为基础,利用SPSS软件,并综合各种条件确定了最佳ARMA模型.最后利用所建模型对甘肃省未来4年的GDP进行了预测.实证分析表明:Box-Jenkins方法及其模型在GDP时间序列分析建模与预测方面,具有较高的精确度和可行性.     

基于（残差）Auto-Regressive模型利用MATLAB解决经济非平稳时间序列的预测分析

利用（残差）Auto-Regressive模型对我国1978年-2005年的GDP进行建模与预测,显示出该拟合模型优于ARIMA模型,并运行MATLAB软件,实现了建模仿真的全过程,显示了MATLAB的强大科学计算与可视化功能。     

基于改进BP神经网络的全社会用电量预测模型研究

采用引入附加动量和自适应学习率的BP(Back Propagation)神经网络来构建全社会用电量预测模型,此模型有效地解决了标准BP神经网络容易陷入局部极小点和收敛速度慢的问题,并且能够很好地解决全社会用电量与其影响因素之间复杂的非线性关系。利用MATLAB7.0对该模型进行了设计,并用设计好的模型对1986~2005年的全社会用电量及GDP数据进行了仿真,仿真结果表明该模型收敛速度快、拟合效果好、泛化能力强、预测精度高。运用该模型对2006年全社会用电量进行了预测,预测结果表明该模型具有一定的实用价值。     

基于回归分析的三次产业产值研究

在国民经济的研究中,三次产业的产值反映了GDP的大小,预测三次产业的产值对GDP的预测起着至关重要的作用.基于1981年到2012年的统计数据,建立了指数回归模型.研究表明：通过指数回归模型,预测第一、第三产业产值的相对误差小于0.07,该模型对三次产业产值的预测具有很高的使用价值.     

ARIMA模型在江苏省GDP预测中的应用

对江苏省1978至2013年GDP时间序列进行分析,建立了ARIMA(4,2,2)模型,经过验证可知该模型具有较好的短期预测力,可作为江苏省制定经济调控政策、经济发展目标提供决策参考。     

基于背景值优化GM(1,1)模型的平顶山市GDP预测

选取平顶山市2012—2018年GDP作为原始数据序列,建立传统GM(1,1)预测模型和背景值优化GM(1,1)预测模型．从级比偏差检验、后验差比检验和小概率误差检验可知,2个模型精度均为一级．背景值优化GM(1,1)模型的平均相对误差为0.012 6,优于传统GM(1,1)模型．该模型对平顶山市GDP预测有很高的实用性．本文采用背景值优化GM(1,1)模型预测平顶山市2019—2023年的GDP．预测结果表明：平顶山市GDP 5 a内将保持平均增长率6.76%的速度平稳增长．     

农业水资源利用与经济增长之间的协整分析

利用协整理论和文献[1]中提出的小样本协整检验方法分析了新疆1987～2004年的农业水资源利用量与相应的GDP增长之间的协整关系,证明了GDP增长与水资源利用之间存在长期均衡关系,并且通过建立误差修正模型进行预测.     

基于BP神经网络的中国人口预测

本文基于中国统计年鉴1990—2010年中国人口数据,通过建立BP神经网络模型,对中国人口进行了预测。结果表明,神经网络预测数据相对误差不到0.01%,比传统预测方法精确很多,根据该模型预测,中国人口将在2050年达到峰值14.5亿左右。     

兰州市大气环境质量影响因素多元统计模型研究

有别于其他文献从单方面讨论城市大气环境的成因和影响因素,在统计分析软件SPSS12.0的技术支持下,选择兰州市作为代表,对经济发展、能源消耗等与城市大气环境质量相关的诸多影响因子进行了综合数理统计分析并建立模型.结果表明: 影响兰州市大气环境质量的因素可归纳为两类,第一类主要包含社会经济发展、能源消耗以及空气污染因素;第二类主要包括气象因素.兰州市大气环境质量主要受机动车数量、国内生产总值GDP、GDP增长率、工业总产值和万元工业废气量等因素影响;并给出了概率水平为0.05的情况下的兰州市空气污染综合指数的回归方程.     

综合Winters模型和ARMA模型预测GDP

以广东省GDP的时间序列数据为依据，分别应用Winters模型和ARMA模型以及加权综合这两个模型的方法对其进行季度性GDP值的短期预测，通过比较由不同方法得出的预测结果的绝对百分误差的大小，选择出绝对百分误差最小的方法．     

我国人口老龄化与消费关系的实证研究

利用1978—2010年的消费、国内生产总值(GDP)、少儿人口比以及老年人口比的时间序列数据,以协整理论、误差修正模型和向量自回归模型作为分析的工具,对我国的消费、GDP、少儿人口比和老年人口比之间存在的关系进行了实证分析.研究表明:消费、人均GDP和人口结构之间存在着长期稳定的关系,人口老龄化对消费的影响呈现正负交错的影响.     

基于QPSO-RBFNN和模糊理论的电力系统短期负荷预测方法

在基于径向基函数神经网络（RBFNN）的电力系统短期负荷预测的基础上,采用量子粒子群优化算法（QPSO）优化神经网络权值,并运用模糊理论进行修正预测模型,提出基于QPSO—RBFNN和模糊理论的电力系统短期负荷预测方法．仿真实例计算结果表明该方法收敛速度快、预报精度高,具有工程应用前景．     

长春市生活垃圾产量预测模型的建立简

生活垃圾产生量对城市环境具有重要意义,因此,合理预测未来生活垃圾产量为科学有效地管理垃圾提供了重要依据.利用GM（1,5）模型建立了长春市主城区生活垃圾产量预测模型,而在该模型中涉及到的城区非农业人口数、国民生产总值、居民平均支出及消费品零售总额等影响因子可利用GM（1,1）模型进行预测,进而对模型进行检验.结果表明,5个模型精度很高,模型预测值和原始值之间的残差很小,关联度很高,可用于未来垃圾产量预测.     

组合灰色模型在电力系统负荷预处理中的应用

根据GM（1,1）模型的特点,通过在数据序列前面加一个非负数,提出了加数GM（1,1）模型的方法。该方法克服了原始模型中不能利用第一点数据的缺陷,提高了原始数据的利用率。同时,结合电力负荷呈日周期性变化的特性,提出了基于关联度的组合灰色预测模型用于电力系统负荷预处理。实例表明,加数模型的预测精度优于原始模型的预测精度,组合灰色模型比单一的灰色模型在预测精度上有明显提高。     

基于ARIMA模型的时间序列建模算法和实证分析

通过对时间序列ARIMA模型建模方法的研究,将方差分析运用于时间序列建模,对季节数据做方差检验并确定周期。基于统计软件SAS分析ARIMA模型建模方法的具体算法,绘制详细的建模流程图。从模型的识别、参数估计、建模和预测等各方面介绍了模型建立和预测的全过程。利用SAS软件,结合引入的方差检验方法和算法流程对1990年1月至2010年12月的中国消费者价格指数季节性时间序列建立了乘积ARIMA模型,预测并分析了CPI的基本走势。     

预测铁水硅含量的TGARCH模型研究

在高炉炼铁过程中,铁水硅含量是表征炉温热状态的主要参数指标．本文利用包钢6#高炉2011年连续2个月的铁水硅含量700炉生产数据,将金融领域中预测股票波动的时间序列模型用于高炉铁水硅含量的预测中,建立了铁水硅含量的时间序列预测模型．该预测模型重点考虑了炉温的波动性、非对称,性、异方差性,克服了以往炉温控制模型只针对炉况较稳定时才能预测的缺陷．因此该炉温模型预测命中率达到80％,取得较好预测效果．     

基于时间序列模型下国民经济发展趋势实证分析

本文借助反映国民经济总量的重要指标GDP,对两类随机性时间序列模型的构建及相应的预测精度进行探讨分析.结果发现:组合模型的预测普遍高于ARIMA模型的预测精度,从而为宏观政策的制定提供较精确的量化模型依据.     

基于多尺度小波分解和时间序列法的风电场风速预测

针对目前风电场风速预测精度较低的问题,提出一种基于多尺度小波分解和时间序列法的混合风速预测模型,通过小波分解将风速非平稳时间序列分解为不同尺度坐标上的平稳时间序列,然后把分解后的各层序列重构回原尺度,再应用自回归滑动平均模型对平稳时间序列进行预测,最后通过叠加合成得出原始风速序列的预测值。同时在验证时间序列模型有效性与模型选优过程中,采用基于贝叶斯理论的SBC定阶准则,改善了以往模型定阶准则的收敛特性。在算例分析中分别利用本文方法和常规预测法对实际风速分布特性进行预测分析,结果表明,本文方法对不平稳风速序列的预测具有更高的预测精度和更强的适应性。