时间序列分析在成都GDP预测中的应用

本文基于时间序列理论,对成都市1980～2012年的GDP数据进行分析,初步建立AR（2）、ARMA（2,1）、MA（1）三个模型,再结合AIC准则和简约原则等,最终确定模型为ARIMA（2,3,0）.最后,利用所建模型做出预测,得到成都未来三年的GDP值.     

天津市人均GDP时间序列模型及预测

大多数经济时间序列存在惯性或者说是迟缓性，通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测。用ARMA模型可以对天津人均国内生产总值（1978—2004）时间序列进行建模和短期外推预测。     

基于组合模型的浙江省GDP预测研究

区域GDP的发展趋势是高速公路规划和建设的重要参考依据。基于浙江省1978—2019年的GDP数据,分析数据特性,构建预测模型,掌握发展规律。首先,将GDP数据转化为时间序列,建立ARIMA（2,2,0）模型;其次,将GDP数据以滑动窗口的方式生成输入矩阵,建立BP神经网络模型;最后,利用ARIMA分析GDP时序的线性部分,利用BP神经网络分析GDP时序的非线性部分,建立组合模型。通过计算相对误差比较模型的预测效果,3个模型的平均相对误差分别为6.30%、13.10%、6.08%。结果表明,组合模型的平均相对误差最小,预测效果最好。     

天津市人均GDP时间序列模型及预测

大多数经济时间序列存在惯性或者说是迟缓性,通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测.用ARMA模型可以对天津人均国内生产总值(1978-2004)时间序列进行建模和短期外推预测.     

时间序列与BP神经网络在新疆GDP预测中的对比分析

根据新疆维吾尔自治区2009年统计年鉴中的数据,构建并选用合适的时间序列模型、BP神经网络模型,对2004年-2008年的新疆GDP进行预测,并用预测结果与实际值求得相对误差,然后将两种模型的误差进行比较。结果表明,BP模型应用于新疆GDP预测较时间序列预测有较高的预测精度和良好的泛化能力。     

时间序列模型在辽宁省GDP预测中的应用

文章应用Eviews与R语言软件对辽宁省1995~2010年GDP数据分析。建立ARIMA(1,1,1)、ARIMA(0,2,3)及支持向量机回归模型,其中ARIMA(0,2,3)中参数估计未通过的MA(1)与MA(2)项忽略,对MA(3)进行的建模。再对2011~2015年数据进行递推一步预测,计算出各个模型的均方误差。结果表明,ARIMA(0,2,3)具有较好的预测效果。     

山东省GDP的时间序列分析

本文广泛求证和搜集五十四年来山东省GDP的相关数据，运用统计学和计量经济学原理，从时间序列的定义出发，探索山东省GDP时间序列的平稳性，并结合统计软件EVIEWS运用ABMA建模方法，对山东省GDP时间序列进行识别、估计、诊断和预测后，建立最优计量经济模型进行经济预测，并为各级政府和企业的管理决策提供数量化的建议。     

GDP时间序列模型构建及预测——以四川省为例

ARIMA时间序列模型是利用变量过去的变动规律对未来值进行短期预测的合适模型,GDP是衡量一个国家或地区经济发展和宏观经济运行状况的一个重要参考指标.本文利用四川省1978-2012年的时间序列数据建立四川省GDP的ARIMA(1,1,0)模型并利用该模型进行短期预测,预测出四川省在2016年国民生产总值将突破4万亿元,在2010年基础上翻一番.     

ARIMA模型在福建省GDP预测中的应用

本文介绍求和自回归移动平均模型ARIMA(p,d,q)的建模方法及Eviews实现。将ARIMA模型应用于福建省历年GDP数据的分析与预测,得到较为满意的结果。     

基于PSO优化LSSVM的股价时间序列预测

现实中的金融时间序列存在非线性、不确定性等特点,利用传统的预测方法难以获得满意的结果。提出了一种基于PSO优化LSSVM模型参数的股价时间序列预测方法。利用PSO算法的收敛速度快和全局收敛能力,优化LSSVM的惩罚因子和核函数参数。利用该方法应用于金融市场中的股价序列预测,与传统方法对比表明,该模型能够提高金融时间序列的预测精度,其具有更好的泛化能力,这对国内投资者进行股票投资具有现实的借鉴意义。     

基于XGBoost和LSTM模型的金融时间序列预测

随着人工智能快速发展,深度学习模型预测金融时间序列成为热点问题.数据及特征选取是决定模型效果的重要环节,用XGBoost模型进行特征优化并预测黄金价格涨跌趋势,再与LSTM模型比较预测效果.用XGBoost分析动量因子特征重要性并选取有效指标;形态因子做历史回测并选取胜率较高的K线指标,预测准确率提升1.5％.以相同因子为LSTM模型特征值预测准确率提升6.5％,达到80％.以欧元和浦发银行股价数据为样本均证实K线指标有效且LSTM模型预测效果优于XGBoost.     

基于时序关联规则的客户需求预测方法研究

客户的需求预测是企业非常重视的一个方面,如何对客户的需求进行预测,数据挖掘作为一种最新的数据处理和分析技术,越来越受到重视和应用。对客户的消费行为的数据挖掘主要是关联分析,而普通的关联分析或购物篮分析只考虑到同一时间下客户的消费模式,本文在此基础上初步研究了时间序列中的关联规则,即不同时间客户需求的相关性。     

基于MR和TSA的成品油价格模型

通过对影响成品油价格的众多因素进行数据整理分析,首先建立了多元回归模型对其数据进行预测;然后建立了二次移动平均预测模型、三次指数平滑预测模型对其进行时间序列分析预测。综合三种方法对近15个时间片的油价预测值与统计值进行比较与误差分析,仿真结果表明,多元回归模型和时间序列分析的三次指数平滑预测达到了较好的效果。