几种山东省GDP的预测方法及其比较
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 选题背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 文献综述 | 第12-16页 |
| 1.2.1 时间序列分析方法及其应用 | 第12-13页 |
| 1.2.2 神经网络分析方法及其应用 | 第13-14页 |
| 1.2.3 GDP预测主要研究方法 | 第14-16页 |
| 1.3 本文的主要内容及方法 | 第16-17页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 主要研究方法 | 第17页 |
| 1.4 本文的创新点 | 第17-19页 |
| 第二章 基于ARIMA模型的山东省GDP预测 | 第19-33页 |
| 2.1 ARIMA基础理论介绍 | 第19-24页 |
| 2.1.1 时间序列的定义 | 第19-21页 |
| 2.1.2 平稳时间序列模型 | 第21-22页 |
| 2.1.3 非平稳时间序列模型 | 第22-24页 |
| 2.2 ARIMA模型的建立过程 | 第24-25页 |
| 2.3 仿真实验及结果分析 | 第25-33页 |
| 2.3.1 数据的预处理 | 第25-27页 |
| 2.3.2 序列的平稳化处理 | 第27页 |
| 2.3.3 模型的识别和定阶 | 第27-29页 |
| 2.3.4 白噪声检验 | 第29-30页 |
| 2.3.5 模型的预测及结果分析 | 第30-33页 |
| 第三章 基于BP神经网络模型的山东省GDP预测 | 第33-45页 |
| 3.1 BP神经网络基础理论介绍 | 第33-36页 |
| 3.1.1 人工神经网络 | 第33-35页 |
| 3.1.2 BP神经网络 | 第35-36页 |
| 3.2 BP神经网络模型的建立过程 | 第36-41页 |
| 3.3 仿真实验及结果分析 | 第41-45页 |
| 3.3.1 样本选择 | 第41页 |
| 3.3.2 网络结构的确定 | 第41-42页 |
| 3.3.3 模型预测及结果分析 | 第42-45页 |
| 第四章 基于组合模型的山东省GDP预测 | 第45-55页 |
| 4.1 组合模型的优势 | 第45页 |
| 4.2 组合模型的建立过程 | 第45-46页 |
| 4.3 仿真实验及结果分析 | 第46-48页 |
| 4.3.1 样本选择 | 第46页 |
| 4.3.2 神经网络结构的确定 | 第46-47页 |
| 4.3.3 模型预测及结果分析 | 第47-48页 |
| 4.4 组合模型的改进 | 第48-52页 |
| 4.4.1 改进模型的预测过程 | 第48-49页 |
| 4.4.2 改进组合模型的预测及结果分析 | 第49-52页 |
| 4.5 山东省GDP未来三年的预测 | 第52-55页 |
| 4.5.1 建立ARIMA模型 | 第52-53页 |
| 4.5.2 基于改进模型的残差预测 | 第53-55页 |
| 第五章 总结与展望 | 第55-56页 |
| 5.1 全文总结 | 第55页 |
| 5.2 不足与展望 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58-59页 |
| 学位论文评阅及答辩情况表 | 第59页 |
