基于BP神经网络吉林省GDP预测,这篇神经网络论文范文为免费优秀学术论文范文,可用于相关写作参考。
神经网络论文参考文献：
摘 要：GDP的准确预测会直接影响政府对民生、货币等政策的制定,而GDP的变化受多种因素影响,因此GDP预测是一项值得深入研究的工作.文章针对吉林省的GDP数据,基于灵敏度分析,筛选出与GDP强相关的参量作为BP神经网络的输入量,基于BP神经网络建立了吉林省GDP预测模型,并采用吉林省GDP数据验证文章方法的有效性.通过文章研究可以得出人口、税收这两个参量与GDP强相关,文章的模型可以对未来3年的GDP进行预测,通过文章的GDP预测结果可知,未来吉林省的生产总值仍将保持稳定增长.
关键词：BP神经网络；生产总值；人口数；税收
中图分类号：F127 文献标识码：A 文章编号：1008-4428（2018）01-62-02
一、引言
国内生产总值（Gross Domestic Product,GDP）是衡量一个国家经济发展的关键指标,GDP的准确预测直接关系到政府制定民生、货币等政策是否可行.
GDP增长曲线是呈复杂、非线性的特点,受环境、科技等因素的影响,存在较大的不确定性,因此GDP预测是一项值得深入研究的工作.
目前学者们在关于GDP预测领域已经取得了一些进展,基于自回归积分滑动平均模型（Auto-Regressive IntegratedMoving Average Model,ARIMA）采用10年的历史数据作为训练样本,对福建省3年的GDP进行预测,通过预测结果与历史数据对比,该方法存在约5%的误差；基于灰色理论和随机过程理论,建立了马尔科夫链模型,并考虑到模型精度的问题,采用泰勒近似方法对模型予以改进,将该模型用于广东省单位GDP能耗预测：采用ARIMA模型对我国GDP增长的序列平稳性进行校验,依据自相关系数和偏相关系数确定了ARIMA模型阶数,采用ARIMA（4,2,4）模型预测中国GDP,通过预测结果与实际数据对比,最大存在10%的相对误差；采用反传（Back Propagation,BP）神经网络算法和主成分回归法研究了GDP预测方法,采用吉林省2013年数据,对比了两种方法的预测效果,结果表明采用BP神经网络的方法预测精度更高：采用BP神经网络算法研究了湖南省GDP预测方法,并采用附加扰动法修改学习速率,提高了模型的收敛性.以上研究成果表明,BP神经网络在预测效果上要优于其他预测方法,此外,现有的BP神经网络预测GDP的方法仍存在改进空间以提高预测精度.
基于此,文章将采用BP神经网络算法,综合考虑人口总数、税收和历史GDP,建立GDP预测模型,对吉林省未来3年的GDP进行预测.
(一)BP神经网络的基本原理
BP神经网络算法是模拟人的大脑,通过神经元对刺激的积累不断学习,建立机制,BP神经网络结构示意图如图1所示.
通过输入层的每一个神经元加权将信息传递给隐含层神经元,隐含层的神经元将信息加权又送给输出层,并通过输出层的反馈结果对各层权重加以改进.当该模型能够满足预测样本自校验的标准后,再采用该模型可以对其他样本结果进行预测.
设神经网络有n个输入量,g个输出量,p个隐含层单元,隐含层和输出层的连接权重为p个和q个.隐含层神经元可以表示为：
输出层的神经元可以表示为：
(二)吉林省GDP预测模型的建立
首先通过分析得到对吉林省GDP影响较大的因素,吉林省近年的GDP、固定投资、人口总数、从业人数等信息如图2所示.
文章采用灵敏度分析的方法,分析各影响因素对GDP的绝对灵敏度,即GDP对各参量的导数,结果如图3所示.
从图3可以看出,2010年以后,GDP对税收和人口总数的灵敏度波动较大,而GDP对政府消费、固定投资、入境人数的灵敏度并不大.
通过以上分析可知,税收和人口总数对GDP有较大影响,而其他因素对GDP影响不大,因此,税收和人口总数可以作为BP神经网络模型的输入量.此外,每年的GDP都与前年的GDP相关,因此预测年以前的GDP也应作为BP神经网络模型的输入量.
文章建立的BP神经网络模型将预测年的前1年税收、前1年人口总数、前3年GDP作为神经网络的输入,输出为预测年的GDP增长率,隐含层神经元个数为6个,各层神经元输出采用logsig函数,收敛精度为0.0001.
(三)吉林省GDP预测模型有效性验证
采用1992年至2015年的数据作为训练样本,从1994年开始的3年内GDP、当年的人口数、税收作为输入样本,后一年的GDP增长率作为期望输出,对2016年的GDP增长率进行预测,训练模型误差变化曲线如图4所示.
通过训练BP神经网络模型,输入2013年GDP、2014年GDP、2015年GDP、2015年人口数、2015年税收,得出2016年的GDP增长率为0.0348,而实际2016年GDP增长率为0.0585,所得的GDP相对误差为2.37%.
将文章模型中的输出变量改为未来3年,采用2013年以前的数据作为训练样本,2014年至2016年预测GDP增长率为0.1458,0.0888,0.0614,实际数据的2014年至2016年GDP增长率分别为0.0631、0.0191、0.0585,最大GDP相对误差为8.27%.
從以上分析可知,采用文章算法对未来1年的GDP进行预测,预测结果的精度较高,对未来3年的GDP预测,预测精度会有所降低,最大误差8.27%.
二、结论
GDP预测对未来经济发展规划有重要作用,文章基于BP神经网络算法研究了吉林省GDP预测方法.文章通过灵敏度分析得出了影响吉林省GDP的主要因素为人口数和税收.综合考虑了人口数、税收与历史GDP数据,基于BP神经网络,提出了吉林省GDP预测方法,并通过吉林省的实际数据加以验证.文章的模型对未来1年GDP预测有较高精度,对未来3年GDP预测,其精度会略有降低.通过文章对未来3年吉林省GDP的预测可知,未来吉林省的生产总值会稳步提高.
结论：关于神经网络方面的的相关大学硕士和相关本科毕业论文以及相关深度神经网络算法论文开题报告范文和职称论文写作参考文献资料下载。
基于BP神经网络分源预测综采面瓦斯涌出量
摘 要：为了提高综采工作面瓦斯涌出量的预测精度，根据综采工作面瓦斯来源的分析，在瓦斯分源预测方法的基础上，融合神经网络预测技术，建立BP神经网络。
基于主成分分析和贝叶斯正则化BP神经网络的GDP预测
［摘 要］ 选用财政收入、财政支出、消费品零售总额、实际利用外资、进出口总额以及全社会固定资产投资等对GDP有显著影响的6个因子，用1985~。
基于BP神经网络股票价格预测分析
摘 要：本文针对股票市场这一非线性系统，分析BP神经网络在股票价格预测中的应用原理。关键词：股票预测；神经网络；BP算法自股票市场成立，学术。
基于BP神经网络的汇率预测
摘要：本文选取了自2017年1月3日至2018年1月26日每日人民币兑美元汇率中间价共263个数据作为研究对象，首先对数据进行拟合，观察汇率走势。