亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        社會(huì)消費(fèi)品零售總額預(yù)測(cè)

        2020-06-19 08:15:29劉娜
        北方經(jīng)貿(mào) 2020年5期
        關(guān)鍵詞:組合預(yù)測(cè)ARIMA模型

        劉娜

        摘要:現(xiàn)運(yùn)用ARIMA模型、BP神經(jīng)網(wǎng)絡(luò)模型以及構(gòu)建的組合預(yù)測(cè)模型,對(duì)1985-2018年我國(guó)社會(huì)消費(fèi)品零售總額進(jìn)行分析。研究發(fā)現(xiàn)預(yù)測(cè)誤差平方和倒數(shù)模型預(yù)測(cè)為最優(yōu)模型,預(yù)測(cè)精度高達(dá)98.65%,預(yù)測(cè)結(jié)果顯示2019-2021年我國(guó)社會(huì)消費(fèi)品零售總額分別為405106.5653、426571.6308、446393.2806億元,總體呈現(xiàn)增長(zhǎng)趨勢(shì)。

        關(guān)鍵詞:社會(huì)消費(fèi)品零售總額;ARIMA模型;BP神經(jīng)網(wǎng)絡(luò)模型;組合預(yù)測(cè)

        中圖分類號(hào):F740? ? 文獻(xiàn)標(biāo)識(shí)碼:A

        文章編號(hào):1005-913X(2020)05-0036-03

        社會(huì)消費(fèi)品零售總額是指企業(yè)或者單位,通過交易售給個(gè)人、社會(huì)集團(tuán),非生產(chǎn)、非經(jīng)營(yíng)用的實(shí)物商品金額,以及提供餐飲服務(wù)所取得的收入金額。2018年我國(guó)社會(huì)消費(fèi)品零售總額380 986.9億元,相比2017年增長(zhǎng)4.2% ,截止2019年12月,全國(guó)社會(huì)消費(fèi)品零售總額同比增長(zhǎng)8.0% 。社會(huì)消費(fèi)品零售總額大小直觀地反映居民消費(fèi)水平以及零售業(yè)經(jīng)濟(jì)發(fā)展?fàn)顩r,其精準(zhǔn)分析與預(yù)測(cè)對(duì)于有關(guān)部門相關(guān)政策的制定以及重大事件決策具有一定的參考價(jià)值。

        一、模型介紹

        (一)ARIMA模型理論

        ARIMA模型又稱單整自回歸移動(dòng)平均模型,屬時(shí)間序列短期預(yù)測(cè)分析方法之一。時(shí)間序列分析主要是根據(jù)已有的歷史數(shù)據(jù)對(duì)未來年份進(jìn)行預(yù)測(cè)。本文采用圖示法和單位根檢驗(yàn)相結(jié)合檢驗(yàn);數(shù)據(jù)平穩(wěn)化處理,對(duì)于非平穩(wěn)并且含指數(shù)趨勢(shì)的時(shí)間序列,需先取對(duì)再進(jìn)行差分處理;模型建立,確定參數(shù)跑(p,d,q)建立時(shí)間序列模型;模型檢驗(yàn),做殘差檢驗(yàn)診斷殘差序列是否為白噪聲序列;模型預(yù)測(cè),使用R中的forecast包對(duì)擬合的ARIMA(p,d,q)模型進(jìn)行預(yù)測(cè)。

        (二)BP神經(jīng)網(wǎng)絡(luò)模型理論

        BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),它是模仿人類大腦神經(jīng)元的一種模型,它的運(yùn)行路線是信號(hào)向前傳遞,誤差則是反向傳遞。在向前傳遞時(shí),將數(shù)據(jù)錄入到輸入層,經(jīng)過隱含層的處理,經(jīng)輸出層輸出。如果輸出結(jié)果不是期望值,則進(jìn)入反向傳遞過程,通過不斷地調(diào)整權(quán)值和閾值從而進(jìn)一步優(yōu)化輸出值,使其接近或等于期望值。BP神經(jīng)網(wǎng)絡(luò)分為訓(xùn)練和測(cè)試兩個(gè)過程,訓(xùn)練過程是讓模型具有記憶和預(yù)測(cè)的能力。神經(jīng)網(wǎng)絡(luò)流程如圖1所示,其中為X輸入值,Y為預(yù)測(cè)值,W為權(quán)值。

        (三)ARIMA與BP神經(jīng)網(wǎng)絡(luò)組合模型

        單個(gè)預(yù)測(cè)模型在預(yù)測(cè)的過程中不可避免的會(huì)出現(xiàn)誤差,組合模型的建立能夠有效減少誤差。其基本思想就是充分利用單個(gè)預(yù)測(cè)方法所包含的獨(dú)立的信息,對(duì)單個(gè)模型的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)處理。

        等權(quán)法:通過給需要組合的各個(gè)模型結(jié)果,給予相同的權(quán)重。等權(quán)法可以有效避免精度大權(quán)重小、精度小權(quán)重大,并且計(jì)算簡(jiǎn)單操作方便。

        預(yù)測(cè)誤差平方和倒數(shù)法:預(yù)測(cè)模型誤差平方和越小,表明該項(xiàng)預(yù)測(cè)模型的精度越高,它在組合模型中的重要性越高,公式如下,其中Dj為第j個(gè)模型的誤差平方和:

        誤差方差均方倒數(shù)法:它是對(duì)預(yù)測(cè)誤差平方和法的改進(jìn)兩者原理基本一樣其公式如下,其中Ej為第j個(gè)模型的誤差方差:

        預(yù)測(cè)精度,其中Ei是相對(duì)誤差:

        二、實(shí)證分析

        本研究數(shù)據(jù)來自國(guó)家統(tǒng)計(jì)局官網(wǎng)公布的1985-2018年社會(huì)消費(fèi)品零售總額數(shù)據(jù)。文章保留2016-2018年的數(shù)據(jù)作為檢驗(yàn)?zāi)P蛿?shù)據(jù),1985-2015各年數(shù)據(jù)作為樣本數(shù)據(jù),所用軟件為Matlab 2016a和R 軟件3.6.2。

        (一)建立ARIMA模型預(yù)測(cè)

        1.模型建立

        平穩(wěn)的時(shí)間序列是建立時(shí)間序列模型的基礎(chǔ),如果時(shí)間序列圖像有明顯的趨勢(shì)性或者規(guī)律性,此時(shí)序列平穩(wěn),反之則非平穩(wěn)。如圖2所示為1985至2015年社會(huì)消費(fèi)品零售總額時(shí)間序列圖,從圖中可知在1985-2010年有上升趨勢(shì)但是總體較為平緩。而2010年之后則以十分明顯的呈指數(shù)趨勢(shì)上升,序列不平穩(wěn)。取對(duì)后的數(shù)據(jù),消除了指數(shù)上升趨勢(shì),但其序列仍然不平穩(wěn),對(duì)于非平穩(wěn)的數(shù)據(jù)進(jìn)一步做差分處理,利用R軟件中的ndiffs()函數(shù)可知需進(jìn)行二階差分處理,結(jié)果如圖3所示,序列在某一常數(shù)附近上下波動(dòng),并無明顯上升或者下降趨勢(shì),此時(shí)序列平穩(wěn)可以建立模型。

        圖示判斷簡(jiǎn)單直觀,但往往帶有一定的主觀性,基于此本文采用ADF檢驗(yàn)法,對(duì)時(shí)間序列平穩(wěn)性進(jìn)行檢驗(yàn)。用R軟件做單位根檢驗(yàn),結(jié)果顯示p-value = 0.01<0.05,此時(shí)拒絕原假設(shè)即序列平穩(wěn),可以構(gòu)建ARIMA模型。為確定擬合情況最好的ARIMA模型階數(shù),通過自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖確定的模型階數(shù) 、R軟件中的auto.arima( )包自動(dòng)確定ARIMA模型的階數(shù)一致,即文章最終確定模型ARIMA(0,2,0)。

        2.模型檢驗(yàn)、預(yù)測(cè)

        為了檢驗(yàn)ARIMA模型顯著性,進(jìn)行Ljung-Box法做殘差檢驗(yàn),經(jīng)檢驗(yàn)p-value = 0.7718> 0.05,不能拒絕原假設(shè)認(rèn)為模型顯著有效。對(duì)保留的2016-2018年數(shù)據(jù)進(jìn)行模型驗(yàn)證,模型預(yù)測(cè)結(jié)果顯示2016-2018年我國(guó)社會(huì)消費(fèi)品零售總額分別為333041.30、365877.90、399543.50億元,同實(shí)際值相比,預(yù)測(cè)誤差的方差2.82%,預(yù)測(cè)精度97.18%,說明模型預(yù)測(cè)效果較為可靠,ARIMA(0,2,0)可以擬合模型。

        (二)建立BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)

        1.數(shù)據(jù)預(yù)處理

        現(xiàn)將1985-2015年社會(huì)消費(fèi)品零售總額指標(biāo)作為輸入,將2019-2021年社會(huì)消費(fèi)品零售總額指標(biāo)作為輸出。對(duì)于原始數(shù)據(jù)進(jìn)行預(yù)處理,能夠?qū)⒛P蛿M合的精度提高,為了讓網(wǎng)絡(luò)快速收斂,本文所選的是S型函數(shù),歸一化公式如下:

        2.模型訓(xùn)練

        輸入輸出層的設(shè)計(jì),本文采用含有一個(gè)隱含層的單輸出的BP網(wǎng)絡(luò)建立預(yù)測(cè)模型。目前,對(duì)于隱含層中神經(jīng)元數(shù)目的確定目前并沒有明確的公式,本文在選取隱含層神經(jīng)元個(gè)數(shù)時(shí),采用學(xué)者通常采用的經(jīng)驗(yàn)公式:l=+a,其中n為輸入層中神經(jīng)元的個(gè)數(shù),m為輸出層中神經(jīng)元的個(gè)數(shù),a為1-10之間的常數(shù)。根據(jù)公式(1.14)可以計(jì)算出神經(jīng)元個(gè)數(shù)在2-11個(gè)之間,經(jīng)過大量反復(fù)試驗(yàn),本文最終選取隱含層神經(jīng)元個(gè)數(shù)為4。根據(jù)社會(huì)消費(fèi)品零售總額的數(shù)據(jù)特征,本文選擇輸入層為2,輸出層為1,即構(gòu)建一個(gè)輸入層、隱含層、輸出層節(jié)點(diǎn)數(shù)為 2-4-1 的三層網(wǎng)絡(luò)結(jié)構(gòu)。

        本文選擇S型函數(shù)作為隱含層神經(jīng)元的激勵(lì)函數(shù),將用來訓(xùn)練樣本的數(shù)據(jù)先進(jìn)行歸一化處理,歸一化后輸入網(wǎng)絡(luò),并且設(shè)定網(wǎng)絡(luò)參數(shù),網(wǎng)絡(luò)迭代次數(shù)epochs=5000次,期望誤差goal=0.00065,學(xué)習(xí)速率lr=0.0354,設(shè)定完參數(shù)后開始訓(xùn)練網(wǎng)絡(luò)。

        3.模型預(yù)測(cè)

        通過網(wǎng)絡(luò)訓(xùn)練,得到2016-2018預(yù)測(cè)值分別為329667.20、350160.87、367478.81億元。經(jīng)計(jì)算,實(shí)際值與預(yù)測(cè)值相對(duì)誤差為2.92%,預(yù)測(cè)精度為96.71%,預(yù)測(cè)誤差的方差3.29%,結(jié)果在可接受范圍內(nèi),但是比ARIMA模型預(yù)測(cè)精度低了0.47%。

        (三)ARIMA模型與BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)

        為了充分利用兩種模型各自的優(yōu)勢(shì),對(duì)于ARIMA模型、BP網(wǎng)絡(luò)模型分別提取不同數(shù)據(jù)信息,數(shù)據(jù)的線性部分由ARIMA 模型提取,非線性部分由神經(jīng)網(wǎng)絡(luò)提取。其基本思想就是對(duì)ARIMA模型、BP神經(jīng)網(wǎng)絡(luò)模型通過科學(xué)賦權(quán)重的方法,給定兩個(gè)模型不同的權(quán)重,通過加權(quán)計(jì)算得出最終的預(yù)測(cè)結(jié)果。常見的確定權(quán)重的方法眾多,但是符合本文數(shù)據(jù)特征的方法有:等權(quán)法、預(yù)測(cè)誤差平方和倒數(shù)法、誤差方差均方倒數(shù)法。

        誤差方差均方倒數(shù)模型:根據(jù)公式(1.10),利用EXCEL計(jì)算得知,給定ARIMA、BP網(wǎng)絡(luò)分別0.409、0.591的權(quán)重,依據(jù)誤差方差均方倒數(shù)模型,對(duì)預(yù)測(cè)2016-2018年數(shù)據(jù)進(jìn)行擬合,計(jì)算預(yù)測(cè)相對(duì)誤差計(jì)算結(jié)果如表1所示,從結(jié)果看出等權(quán)法的預(yù)測(cè)誤差的方差為1.54%,預(yù)測(cè)精度為98.46%,比ARIMA模型的預(yù)測(cè)精度高了1.28%,比BP網(wǎng)絡(luò)模型預(yù)測(cè)精度提高了1.75%,擬合情況較好。

        等權(quán)組合預(yù)測(cè)模型:給定ARIMA和BP神經(jīng)網(wǎng)絡(luò)分別相同的權(quán)重得到組合模型,再根據(jù)組合模型對(duì)2016-2018年數(shù)據(jù)進(jìn)行預(yù)測(cè),計(jì)算預(yù)測(cè)相對(duì)誤差如表2所示,從結(jié)果看出等權(quán)法的預(yù)測(cè)誤差的方差為1.36%,通過公式計(jì)算預(yù)測(cè)精度為98.64%,相比于誤差方差均方倒數(shù)模型預(yù)測(cè)精度提高了0.18%,擬合情況更優(yōu)。

        預(yù)測(cè)誤差平方和倒數(shù)模型:根據(jù)公式(1.9)借助EXCEL計(jì)算得知, ARIMA和BP神經(jīng)網(wǎng)絡(luò)權(quán)重分別為0.578、0.422,利用得到的組合模型預(yù)測(cè)結(jié)果如表3所示,從結(jié)果看出預(yù)測(cè)誤差平方和倒數(shù)法的預(yù)測(cè)誤差的方差為1.35%比其他模型都小,預(yù)測(cè)精度提高到98.65%。

        對(duì)模型進(jìn)行組合時(shí)權(quán)重計(jì)算方式的不同會(huì)導(dǎo)致其組合模型精度也不同,所以在對(duì)單一模型進(jìn)行組合時(shí)要結(jié)合數(shù)據(jù)本身的特征且從不同方面考慮其得到最優(yōu)模型。根據(jù)對(duì)比幾種預(yù)測(cè)模型的預(yù)測(cè)精度以及預(yù)測(cè)誤差方差的大小,得到本文最優(yōu)的組合模型為預(yù)測(cè)誤差平方和倒數(shù)模型,幾種模型具體對(duì)比結(jié)果如下表。

        [表4 幾種模型分析結(jié)果][模型 預(yù)測(cè)精度 預(yù)測(cè)誤差的方差 ARIMA模型 97.18% 2.82% BP神經(jīng)網(wǎng)絡(luò)模型 96.71% 3.29% 誤差方差均方倒數(shù)模型 98.46% 1.54% 等權(quán)組合預(yù)測(cè)模型 98.64% 1.36% 預(yù)測(cè)誤差平方和倒數(shù)模型 98.65% 1.35% ]

        3.基于組合模型預(yù)測(cè)

        文章借助最優(yōu)擬合模型預(yù)測(cè)誤差平方和倒數(shù)模型,對(duì)2019-2021年我國(guó)社會(huì)消費(fèi)品零售總額進(jìn)行預(yù)測(cè),2019-2021年社會(huì)消費(fèi)品零售總額分別為405106.5653、426571.6308、446393.2806億元,我國(guó)社會(huì)消費(fèi)品零售總額在不斷增長(zhǎng)。

        三、結(jié)論

        本文運(yùn)用預(yù)測(cè)誤差平方和倒數(shù)模型進(jìn)行預(yù)測(cè),預(yù)測(cè)誤差較小、精度較高、擬合情況較好,預(yù)測(cè)結(jié)果顯示,2019-2021年我國(guó)社會(huì)消費(fèi)品零售總額有增長(zhǎng)趨勢(shì),鑒于文章是根據(jù)歷史數(shù)據(jù)做預(yù)測(cè),對(duì)于外生不可抗因素的干擾無法應(yīng)對(duì)。

        參考文獻(xiàn):

        [1] 李庭輝,許滌龍.基于匹配性的社會(huì)消費(fèi)品零售總額數(shù)據(jù)質(zhì)量評(píng)估研究[J].統(tǒng)計(jì)與決策,2012(8):24-27.

        [2] 呂艷麗,陳兵建.基于ARMA模型的城鄉(xiāng)居民收入差距分析與預(yù)測(cè)——以甘肅為例[J].區(qū)域經(jīng)濟(jì),2017(2):204-206.

        [3] 肖學(xué)培.季節(jié)性ARIMA模型對(duì)社會(huì)消費(fèi)品零售總額的建模和預(yù)報(bào)[J].經(jīng)濟(jì)研究,2019(4):63-65.

        [4] 王冬冬.基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)模型的重慶市GDP實(shí)證分析[D].桂林:廣西師范大學(xué),2019.

        [5] 劉海萍,王海濤,王洪利,等.基于BP神經(jīng)網(wǎng)絡(luò)的CPI預(yù)測(cè)模型[J].山東交通學(xué)院學(xué)報(bào),2009,17(3):83-86.

        [6] 崔 博.神經(jīng)網(wǎng)絡(luò)在GDP預(yù)測(cè)中的應(yīng)用[J].信息技術(shù),2011(2):103-105.

        [7] 桂 梅,劉蓮花.基于ARIMA模型對(duì)海南省社會(huì)消費(fèi)品零售總額的預(yù)測(cè)[J].2017,2(3).

        [責(zé)任編輯:龐 林]

        猜你喜歡
        組合預(yù)測(cè)ARIMA模型
        基于EMD與果蠅參數(shù)尋優(yōu)的LSSVM的機(jī)場(chǎng)能耗預(yù)測(cè)
        RCH模型非線性組合預(yù)測(cè)方法研究
        基于時(shí)間序列模型的中國(guó)出口總額分析及預(yù)測(cè)
        基于R軟件的金融時(shí)間序列的預(yù)測(cè)分析
        基于Eviews上證綜合指數(shù)預(yù)測(cè)
        基于ARIMA模型的滬銅期貨價(jià)格預(yù)測(cè)研究
        商(2016年27期)2016-10-17 06:06:02
        基于組合預(yù)測(cè)模型污水處理水質(zhì)預(yù)測(cè)的研究
        對(duì)我國(guó)進(jìn)出口總額的預(yù)測(cè)
        商(2016年22期)2016-07-08 14:41:15
        組合預(yù)測(cè)法在我國(guó)糧食產(chǎn)量預(yù)測(cè)中的應(yīng)用
        商(2016年19期)2016-06-27 14:21:53
        組合預(yù)測(cè)法在汽車預(yù)測(cè)中的應(yīng)用
        久久91精品国产一区二区| 中文人妻av久久人妻18| 久久久久久久无码高潮| 久久亚洲国产欧洲精品一| 日韩精品一二区在线视频| 蜜桃传媒免费在线观看| 成熟了的熟妇毛茸茸| 日本高清h色视频在线观看| 日产精品久久久久久久| 久久精品女人天堂AV一个| 性色国产成人久久久精品二区三区 | 六月丁香婷婷色狠狠久久| 精品免费久久久久国产一区| 亚洲一区二区岛国高清| 亚洲乱码中文字幕在线播放| 亚洲人成色7777在线观看不卡 | 精品久久久久久无码不卡| 国产女主播福利一区在线观看| 国产自拍91精品视频| 少妇被又大又粗又爽毛片| 性一交一乱一伦一色一情孩交 | 九九影院理论片私人影院| 一个人看的视频www免费| 国产妇女乱一性一交| 精品国产一区二区三广区| 国产精品午夜夜伦鲁鲁| 亚洲热线99精品视频| 熟妇与小伙子matur老熟妇e| 东风日产系列全部车型| 亚洲精品98中文字幕| 亚洲乱码国产乱码精品精| 无码久久精品国产亚洲av影片| 玖玖资源站无码专区| 日本一区二区三区清视频| 精品人妻大屁股白浆无码| 人妻在线日韩免费视频| 亚洲精品乱码久久久久99| 日韩精品人妻视频一区二区三区| 欧美伦费免费全部午夜最新| 无套内射蜜桃小视频| 亚洲无线码1区|