| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 本文研究的背景及意义 | 第7-8页 |
| 1.2 预测技术发展以及本文思路 | 第8-13页 |
| 1.2.1 国内外预测技术的发展 | 第8-11页 |
| 1.2.2 本文的研究思路 | 第11页 |
| 1.2.3 本文的创新思路 | 第11-13页 |
| 第二章 ARIMA模型的预测研究 | 第13-22页 |
| 2.1 ARIMA模型结构与预测思想 | 第13页 |
| 2.2 ARIMA模型的具体操作方法 | 第13-16页 |
| 2.2.1 时间序列的预处理 | 第13-14页 |
| 2.2.2 模型的识别与模型的参数估计 | 第14-15页 |
| 2.2.3 模型的有效性分析与优化 | 第15页 |
| 2.2.4 通过模型预测结果 | 第15-16页 |
| 2.3 ARIMA模型在GDP预测中的实证分析 | 第16-22页 |
| 2.3.1 运用EVIEWS软件进行数据预处理 | 第16-17页 |
| 2.3.2 GDP数据的平稳化处理 | 第17-18页 |
| 2.3.3 GDP数据的ARIMA模型参数的估计以及模型确定 | 第18-19页 |
| 2.3.4 GDP数据的预测结果 | 第19-22页 |
| 第三章 遗传算法优化BP神经网络预测GDP | 第22-37页 |
| 3.1 BP神经网络 | 第22-28页 |
| 3.1.1 人工智能BP神经网络结构与原理 | 第22-24页 |
| 3.1.2 BP神经网络的算法流程 | 第24-26页 |
| 3.1.3 BP神经网络的优点和缺点 | 第26-28页 |
| 3.2 遗传算法 | 第28-30页 |
| 3.2.1 遗传算法的原理和基本要素 | 第28页 |
| 3.2.2 遗传算法的操作步骤 | 第28-29页 |
| 3.2.3 遗传算法的优点和缺点 | 第29-30页 |
| 3.3 遗传算法改进BP神经网络 | 第30-31页 |
| 3.3.1 遗传算法优化权值阈值 | 第30页 |
| 3.3.2 遗传算法优化神经网络拓扑结构 | 第30页 |
| 3.3.3 遗传算法优化神经网络的不足 | 第30-31页 |
| 3.4 运用遗传算法优化BP神经网络对GDP进行预测分析 | 第31-37页 |
| 3.4.1 BP神经网络拓扑结构的设计 | 第32页 |
| 3.4.2 数据样本的选择以及预处理 | 第32-34页 |
| 3.4.3 运用Matlab软件分析数据 | 第34-37页 |
| 第四章 总结分析和展望 | 第37-39页 |
| 4.1 本文结论 | 第37页 |
| 4.2 问题及不足 | 第37-39页 |
| 参考文献 | 第39-40页 |
| 在学期间的研究成果 | 第40-41页 |
| 致谢 | 第41页 |