【《基于组合模型的未来三年的经济发展预测分析案例》1700字（论文）】

基于组合模型的未来三年的经济发展预测分析案例目录TOC\o"1-3"\h\u12161基于组合模型的未来三年的经济发展预测分析案例 1153811.1全样本ARIMA-LSTMs-XGBoosts组合模型的构建 17247(1)全样本的ARIMA模型建模预测 120148(2)全样本的LSTM模型建模预测 320348(3)全样本的XGBoost模型建模预测 34524(4)全样本的组合模型建模预测 362001.2全样本ARIMA-LSTMs-XGBoosts组合模型的预测 533781.3小结 51.1全样本ARIMA-LSTMs-XGBoosts组合模型的构建本节基于上节所建立的ARIMA-LSTMs-XGBoosts组合模型对未来三年的人均GDP进行预测。由于前几章所建立的模型仅针对训练集数据，因此需重新对全部数据进行建模预测。(1)全样本的ARIMA模型建模预测建模流程与第三章相同，第一步，对全部数据做平稳性检验。采用ADF单位根检验法得到检验的值大于0.9999，超过显著性水平0.05，因此无法拒绝原假设，即该序列为非平稳序列。为达到序列平稳化要求，对数据进行对数变换，ADF单位根检验后得到的值为0.6665仍高于显著性水平0.05，再做一阶差分变换，此时的序列图如图1.1所示，该序列进行平稳性检验得到的值0.0024，低于0.05，故可以拒绝原假设认为此时的序列为平稳序列。图1.1一阶对数差分时序图对平稳后的时间序列绘制自相关、偏自相关函数图如下：图1.2自相关、偏相关函数图如图1.2，自相关函数在1阶延迟后围绕零值呈小范围波动，其取值都在二倍标准差范围中，但难以准确判定偏自相关函数图的拖尾截尾性质，故我们利用信息准则法来确定阶数。同第三章，将、的最高滞后阶数设置为5，得到的最佳滞后阶数为：，，即对全部数据集建立ARIMA(1,1,2)模型的预测效果相对最好。此时，值为-142.45，值为-134.005。接下来对模型参数进行估计，结果见表1.1，表1.1参数估计结果系数标准误const0.12630.012AR.L1-0.64460.146MA.L11.91480.116MA.L20.99980.119对模型拟合得到的残差序列进行白噪声检验，得到值为0.4663，大于0.05，这意味着残差序列是白噪声序列，我们的模型对数据能够较好的拟合，至此为止建模结束。利用建好的ARIMA模型对未来三年的人均GDP进行预测，得到的2019，2020，2021年的人均GDP分别为：71030.71，79820.61，91126.60。(2)全样本的LSTM模型建模预测同3.4节建模流程，以ARIMA模型对各影响变量的预测值作为多变量LSTM模型的输入特征，对全部数据进行归一化处理，并通过设置滑动窗口数为1将非监督数据转化为监督数据，生成输入矩阵。仍旧采用单层的LSTM网络结构，经试验，设置单元数目为3，激活函数为tanh，优化算法为Adam，banchsize取1，迭代100次建立多变量LSTM模型，对得到的全样本人均GDP拟合值进行反归一化处理得到最终的全样本拟合值。为得到未来三年人均GDP预测值，利用ARIMA模型分别预测各指标，并输入到建立的全样本LSTM模型中，得到未来三年的人均GDP为：66346.97,69246.6,74127.61。(3)全样本的XGBoost模型建模预测根据3.4节建模流程，将ARIMA模型对当期影响变量和滞后一期的人均GDP预测值作为XGBoost模型的输入变量，输出为当期人均GDP，首先对数据进行归一化处理，经试验，确定模型的n_estimators为750，learning_rate为0.86，booster设置为gbliner。通过该模型对未来三年的人均GDP进行预测，得到的预测结果为：69677，80504.52，90661.37。(4)全样本的组合模型建模预测(1)-(3)中三个个体学习器所得到的预测值作为输入，真实人均GDP作为输出，部分年份的各模型预测值与真实值展示如表1.2：表1.2部分年份的各模型预测值与真实值年份ARIMA预测值XGBoosts预测值LSTMs预测值真实值200514672.5875513531.23515819.42614368200616147.7900315726.19418677.25816738200719710.3479420187.855519843.617220494200824603.7819524083.128922714.662124100200927293.2823826312.3984271217557730070.140629948.369130808201137653.0528534728.695334092.230536302201240656.3986139091.308639546.640639874201344158.6640642481.187545008.437543684201448647.4363448269.378948482.671947173201551501.2568251348.007852939.95750237201654828.3544255908.421955720.687554139201761472.7710659531.406259748.398460014201869559.263165172.359461787.824266006根据输入数据建立SVR模型，并通过全部数据所建立的组合模型的均方误差设置为目标函数，将SVR模型的参数C的范围设置为(0,100)，可选核函数有linear，rbf，poly，参数gamma的取值范围为(0.001,0.1)，优化算法选择TPE算法，迭代次数为100次，对元学习器为SVR模型的组合模型使用贝叶斯优化法调整参数，得到相对最优的参数组合为：C=3.2826，gamma=0.0106，kernel=linear。得到的全样本组合模型预测值，展示部分数据如表1.3。表1.3部分年份的组合模型预测值及真实值年份组合模型预测值真实值200514691.236314368200616409.691516738200719662.580920494200824102.191124100200926966699330808201136514.999636302201240013.642739874201343760.453443684201448219.198147173201551310.602950237201654678.010054139201760526.915760014201867373.389366006为更直观的展示数据的拟合情况，绘制组合模型的拟合图见图1.3，可见该组合模型能比较完美的拟合原始数据。图1.3全样本拟合图1.2全样本ARIMA-LSTMs-XGBoosts组合模型的预测将各个体学习器未来三年的人均GDP预测值整理如表1.4，作为组合模型的输入，得到最终未来三年的人均GDP预测值为：68008.51，75392.75，85150.21。表1.4未来三年预测值年份ARIMALSTMsXGBoostsARIMA-LSTMs-XGBoosts201971030.7166346.976967768008.51202079820.6169246.68