基于灰色遗传算法优化神经网络的江西省gdp预测

《基于灰色遗传算法优化神经网络的江西省gdp预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、．＇‘＇＇．＇－．，－－．，．＇．已．Ｖ：．Ｖ艾．古社戈如＇■‘－．．‘：＇．＇’■’■‘＇－．．：．■，．乐＇；：＞．＿＾山；占：、－＇－？＾＾￣－＇乂主；／车＇＇．－、＇．＇Ｓ：戈巧一，；；言．扯，，，，，‘’‘…一‘冲－一Ｉ．？：＾＇Ｖ谭雖客都节汽巧兴，：节护‘＇一■■．＇．；．．＇心＊？■二．品片雖：＇：＞－．．．叫古学校代妈Ｗ姆山：＞；冷类号．．山；识：三這ｉ＇＾．．＇．．．．＾？研巧生学景巡巡ｍ．折音级立玄驾５巧．．，＇．■；‘‘－＇＇：＾５ｆＶ＇心键

2、，：＞：：二，ｒ．我—乂奠：．為＾議感據島袭胃。—了Ｕ了Ｓ、鑛Ｄ邮訓邮挪’ＣＷ、巧献；：山知＇．、．．：—妈－、‘‘ｒ．．，論．；巧请耀擊一人心ｖ／ｌｉｌｉｒ硕主学位论义；誦‘－’＇＊；＊縱．．；令，锦緊沪女记；话冉的■．汽乂：叫禱－？誦画＇■－■－－－－■叫甫■：；Ｖ：—；顆謂沪终．：；，：：讀＾－Ｔ；＇Ｖ＇■基于灰色遗传算法优化神经岡络的江西省ＧＤＰ顧测＇：芽毁臀讀妹品ｉ．ｒａＧ－【．、，．？．＇．：Ｊｉａｎ，ｇ．ｘｉＧＤＰ化ｒｅｃａｓ

3、ｔｂａｓｅｄｏｎ化ｅｇｙＡＢＰｎｅｕｒａｌｒｔｃｔｗｏ成＿．．．－．‘．‘．＇＇．—‘：－ｖ：－：：扣．：心＇：耗：二＇．．，巧苗＞；；Ｗ：故心社扣净，＇；‘；＇，‘．‘ｎ々玄Ｕ＇＊漏山－．；’’．．，辨ｓ＇说＇．：帮苗龜、讀片‘？７；／＾、＊攀，’’’：、学化讳请人．、Ｖ牛晋汲＿：／：，／＇＇六禮＂．－及躲称苗珪周永正教授．．运ｒ１．＾，导师姓名：．Ｆ择；１＾＾｜．＇．－专业各棘＂―；．；兴／－．．‘＇、—：，研巧方舟，；＂；．＞、．

4、ｒ所；在学瞬倍息工程学院．：－．＾３－２９讓错親撰；巧著文搭交Ｈ纖誇苗Ｖ２０１６＇－＇－－＾－：ｉｉｉＳｖ：．：ｉ：ｉｉ＾摘要国内生产总值（GDP）是国民经济核算的核心指标，它反映了一个国家或地区总体的经济状况。因此，预测GDP的走势能够对未来的经济发展趋势和方向提出指导性的建议。近年来，江西省生产总值增长迅速，省政府也对GDP的增长做出了长远的规划与期望。因此，GDP的预测就显得意义重大。本文利用历年的江西省生产总值数据，采用了三种预测方法：ARIMA时间序列、灰色模型以及灰色遗传算法优化神经网络分别对江西省生产总值进

5、行预测，并对预测结果进行了比较。结果显示，灰色GA-BP神经网络的预测精度最高。本人研究结果表明，通过遗传算法对BP神经网络进行优化，充分发挥了两种算法各自的优势，再加上灰色模型本身的特点，形成了灰色GA-BP神经网络模型。通过对预测结果进行比较，发现其预测精度明显高于之前的ARIMA时间序列模型和GM(1,1)模型。因此，这项研究证明基于灰色的遗传算法优化的神经网络模型在处理时间序列数据上有着很好的优越性。关键词：江西省生产总值预测ARIMA时间序列灰色模型遗传算法神经网络IAbstractGrossDomesticProduct(

6、GDP)isakeyindicatorofnationalaccounts,itreflectsacountry'soveralleconomicsituation.Therefore,theforecastGDPtrendscanadvisethemonfutureeconomicdevelopmenttrendsanddirection.Inrecentyears,therapidgrowthofGDPinJiangxiProvince,theprovincialgovernmentalsomadealong-termGDPgro

7、wthplansandexpectations.Therefore,theforecastGDPbecomessignificant.Inthispaper,forecastingtheJiangxiGDPwiththreemethods,suchas:ARIMA,graymodelandgrayGA-BPneuralnetwork,andcomparedthepredictedresults.TheresultsshowedthatthehighestpredictionaccuracygrayGA-BPneuralnetwork.

8、MystudyresultsshowthatthegeneticalgorithmtooptimizeBPneuralnetwork,givefullplaytotheirrespectiveadvantagesofth