基于ARIMA模型的运城市GDP预测分析被引量：2

Forecast and Analysis of Yuncheng’s GDP Based on ARIMA Model

在线阅读下载PDF

导出

摘要首先通过对运城市1996-2018年GDP数据进行平稳化处理,建立ARIMA模型,然后利用2019、2020年真实数据与拟合数据的相对误差判断模型的拟合效果,并利用相对误差与建立的Holt-Winters模型结果比较,最终确定ARIMA(0,2,1)模型为预测模型。最后利用ARIMA(0,2,1)模型对运城市2023-2025年三年的GDP进行预测,并结合运城市经济发展中存在的问题给出四点建议。

作者安晓丹李晓霞 AN Xiaodan;LI Xiaoxia

机构地区运城学院数学与信息技术学院

出处《运城学院学报》 2022年第3期69-73,90,共6页 Journal of Yuncheng University

基金山西省教育厅项目(2020L0563)。

关键词运城市GDP ARIMA模型预测

分类号 F127 [经济管理—世界经济]

作者简介安晓丹(1991-),女,山西天镇人,运城学院数学与信息技术学院助教,研究方向为统计机器学习。

引文网络
相关文献

参考文献9

1李凯,张涛.上海市2017-2020年GDP预测研究——基于改进的GM(1,1)模型[J].华东经济管理,2017,31(10):11-15. 被引量：15
2李庭辉,薛丽娜.基于时间序列匹配性的GDP数据质量评估研究[J].财经理论与实践,2012,33(1):119-123. 被引量：5
3龙会典,严广乐.基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究[J].数理统计与管理,2013,32(5):814-822. 被引量：41
4安博文,李春玉,刘红卫.西藏地区GDP发展的趋势性研究——基于ARMA模型的预测分析[J].西藏科技,2021(4):27-34. 被引量：2
5徐映梅,陈尧.季节ARIMA模型与LSTM神经网络预测的比较[J].统计与决策,2021,37(2):46-50. 被引量：27
6何新易.基于时间序列模型的中国GDP增长预测分析[J].财经理论与实践,2012,33(4):96-99. 被引量：31
7严彦文.基于ARIMA模型的山东省GDP的分析与预测[J].数学的实践与认识,2018,48(4):285-292. 被引量：30
8胡咏琪.ARIMA模型在陕西省GDP预测中的应用研究[J].中国商论,2021(13):174-176. 被引量：8
9王鄂,张霆.时间序列在湖南省GDP预测中的应用——基于ARIMA模型[J].青岛大学学报（自然科学版）,2019,32(3):136-140. 被引量：18

二级参考文献69

1许宪春.中国国民经济核算的新发展和SNA修订的挑战[J].统计与信息论坛,2007,22(1):14-18. 被引量：12
2谭诗璟.ARIMA模型在湖北省GDP预测中的应用——时间序列分析在中国区域经济增长中的实证分析[J].时代金融,2008,0(1):26-28. 被引量：11
3刘兰娟,谢美萍.基于自适应小波神经网络的数据挖掘方法研究——对我国石油产量的预测分析[J].财经研究,2006,32(3):114-120. 被引量：4
4高敏雪.国民经济核算仍然面临变革[J].统计与信息论坛,2006,21(6):23-27. 被引量：5
5Rawski, T. G. What's Happening to China's GDP Statistics.'? [J]. China Economic Review, 2001, (4) : 347-354.
6Guillenb R A, Marqueza L, Pasadasa M. Hybridization of intelligent techniques and ARIMA models for time series prediction [J]. Fuzzy Sets and System, 2008, 159: 821-845.
7Ong Chorong-Shyong, Huang Jih-Jeng, Tzeng Gwo-Hshiung. Model identification of ARIMA family using genetic algorithms [J]. Applied Mathematics and Computation, 2005, 164: 885-912.
8Wedding H D K, Cios K J. Time series forecasting by combing RBF networks, certainty factors, and the Box-Jenkins model [J]. Neurocomputing, 1996, (10): 149-168.
9Aslanargun A, Mammadov M, Yazici B, Yoiacan S, Comparison of ARIMA , neural networks and hybrid models in time series: Tourist arrival forecasting [J]. Journal of Statistical Computation and Simulation, 2007, (77): 29-53.
10Tseng Fang-Mei, Yu Hsiao-Cheng, Tzeng Gwo-Hsiung. Applied hybrid grey model to forecast sea- sonal time series [J]. Technological Forecasting and Social Change, 2001, 61: 291-302.