經(jīng)濟預(yù)測模型建立的方法和預(yù)測方法
【專利摘要】本申請公開了一種經(jīng)濟預(yù)測模型建立的方法，包括：步驟1，采用對數(shù)線方法對經(jīng)濟時間序列數(shù)據(jù)進(jìn)行性去趨勢平穩(wěn)化預(yù)處理；步驟2，經(jīng)濟時間序列數(shù)據(jù)的相空間重構(gòu)，將隱藏于經(jīng)濟時間序列數(shù)據(jù)變化規(guī)律揭示出來；步驟3，采用BP神經(jīng)網(wǎng)絡(luò)對經(jīng)濟時間序列數(shù)據(jù)進(jìn)行學(xué)習(xí)和建模；步驟4，對神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，提高預(yù)測精度。本發(fā)明還公開了一種經(jīng)濟預(yù)測方法。本發(fā)明算法很好克服傳統(tǒng)方法的缺陷，能夠全面、準(zhǔn)確描述經(jīng)濟時間序列變化規(guī)律，提高了經(jīng)濟預(yù)測精度。
【專利說明】
經(jīng)濟預(yù)測模型建立的方法和預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本申請設(shè)及經(jīng)濟預(yù)測的一種算法，特別是設(shè)及一種經(jīng)濟預(yù)測模型建立的方法和預(yù) 測方法。
【背景技術(shù)】
[0002] 經(jīng)濟學(xué)中積累了大量的數(shù)據(jù)，運些數(shù)據(jù)均是按照時間先后進(jìn)行收集，因此是一種 典型的時間序列數(shù)據(jù)，運些數(shù)據(jù)受到多種因素影響，具有高度非線性、混濁變化特點，同時 數(shù)據(jù)之間隱含了時間相關(guān)性，具有時滯特點，如何對非線性、混濁的經(jīng)濟時間序列進(jìn)行準(zhǔn)確 預(yù)測是經(jīng)濟學(xué)領(lǐng)域研究中的一個熱點問題，提高其預(yù)測精度具有重大意義。
[0003] 經(jīng)濟預(yù)測是收集經(jīng)濟歷史數(shù)據(jù)和經(jīng)濟影響因子，然后對數(shù)據(jù)進(jìn)行分析，選擇最適 合的預(yù)測方法，建立最適合預(yù)測模型，最后采用建立的經(jīng)濟預(yù)測模型對對將來某一時刻經(jīng) 濟發(fā)展趨勢進(jìn)行預(yù)測，預(yù)測結(jié)果為政府和企業(yè)制定計劃和決策提供參考。當(dāng)前，經(jīng)濟預(yù)測方 法多達(dá)幾百種，然而，在實際應(yīng)用仍然存在許多難題沒有得到很好的解決，主要是由于經(jīng)濟 數(shù)據(jù)具有混濁性、非線性和時滯性，傳統(tǒng)線性預(yù)測方法無法建立準(zhǔn)確預(yù)測模型，同時當(dāng)前非 線性經(jīng)濟預(yù)測模型只考慮經(jīng)濟發(fā)展的非線性特點，忽略經(jīng)濟變化的混濁特性，預(yù)測精度不 局。

【發(fā)明內(nèi)容】

[0004] 為了進(jìn)一步提高經(jīng)濟預(yù)測精度，綜合考慮其非線性、混濁性及數(shù)據(jù)之間時間相關(guān) 性，本發(fā)明提出一種基于混濁理論的非線性經(jīng)濟預(yù)測方法。
[0005] 為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案： 本申請實施例公開一種經(jīng)濟預(yù)測模型建立的方法，包括： 步驟1，采用對數(shù)線方法對經(jīng)濟時間序列數(shù)據(jù)進(jìn)行性去趨勢平穩(wěn)化預(yù)處理； 步驟2,經(jīng)濟時間序列數(shù)據(jù)的相空間重構(gòu)，將隱藏于經(jīng)濟時間序列數(shù)據(jù)變化規(guī)律掲示出 來； 步驟3，采用BP神經(jīng)網(wǎng)絡(luò)對經(jīng)濟時間序列數(shù)據(jù)進(jìn)行學(xué)習(xí)和建模； 步驟4，對神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，提高預(yù)測精度。
[0006] 優(yōu)選的，在上述的經(jīng)濟預(yù)測模型建立的方法中，所述步驟1中，獲得預(yù)處理后經(jīng)濟 時間序列數(shù)據(jù)： y/=lnyt-(曰+bt) (I) 其中yt為經(jīng)濟時間序列。
[0007] 優(yōu)選的，在上述的經(jīng)濟預(yù)測模型建立的方法中，所述步驟2中，相空間重構(gòu)方法包 括： 設(shè)收集到的經(jīng)濟間間序列為：{X (t)}; t = 1，2，· · ·，η，其中η表示樣本數(shù)，根據(jù)化kens定 理，通過選定合適的τ和m將具有混濁特性的經(jīng)濟時間序列時間重構(gòu)為： Xt=(xt，xtW，...，xt+(m-l)T)T (II) 其中τ表示延遲時間，m嵌入維數(shù)。
[0008] 優(yōu)選的，在上述的經(jīng)濟預(yù)測模型建立的方法中，所述步驟3中，通過BP神經(jīng)網(wǎng)絡(luò)建 模的經(jīng)濟時間序列預(yù)測模型為：
式中，vj為隱層至輸出層的連接權(quán)值；γ為輸出層的闊值;bj為隱層節(jié)點的輸出;P為隱 層。
[0009] 優(yōu)選的，在上述的經(jīng)濟預(yù)測模型建立的方法中，所述步驟4中，采用遺傳算法對BP 神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，所述BP神經(jīng)網(wǎng)絡(luò)參數(shù)包括連接權(quán)值和闊值。
[0010] 相應(yīng)的，本申請還公開了一種經(jīng)濟預(yù)測模型的預(yù)測方法，包括步驟： (1 )、對需要預(yù)測的經(jīng)濟數(shù)據(jù)經(jīng)濟指標(biāo)進(jìn)行建立，然后根據(jù)所建立的指標(biāo)體系進(jìn)行經(jīng)濟 數(shù)據(jù)收集； (2) 、對收集到經(jīng)濟數(shù)據(jù)中異常的數(shù)據(jù)進(jìn)行剔除，并采用平均方法進(jìn)行替代，然后采用 式（I)對數(shù)據(jù)進(jìn)行預(yù)處理； (3) 、對預(yù)處理數(shù)據(jù)進(jìn)行相空間重構(gòu)，確定經(jīng)濟時間數(shù)據(jù)序列的延遲時間τ和嵌入維數(shù) m，并根據(jù)τ、m對經(jīng)濟時間序列樣本進(jìn)行重構(gòu)，將混濁經(jīng)濟時間序列恢復(fù)成為有規(guī)律的經(jīng)濟 時間序列數(shù)據(jù)； (4) 、將重構(gòu)后的經(jīng)濟時間序列數(shù)據(jù)劃分成訓(xùn)練樣本和測試樣本兩部分，訓(xùn)練樣本用于 建立經(jīng)濟預(yù)測模型，測試樣本對建立的經(jīng)濟預(yù)測模型進(jìn)行測試； (5) 、將訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，并采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的參數(shù)連 接權(quán)值W及闊值Θ進(jìn)行優(yōu)化，建立最優(yōu)的經(jīng)濟時間序列最優(yōu)的非線性預(yù)測模型； (6) 、采用建立的最優(yōu)非線性的經(jīng)濟預(yù)測模型對經(jīng)濟時間序列測試樣本進(jìn)行預(yù)測，檢驗 模型有效，最后對將來時刻經(jīng)濟發(fā)展水平進(jìn)行預(yù)測。
[0011] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于： 本發(fā)明算法很好克服傳統(tǒng)方法的缺陷，能夠全面、準(zhǔn)確描述經(jīng)濟時間序列變化規(guī)律，提 高了經(jīng)濟預(yù)測精度。
【附圖說明】
[0012] 為了更清楚地說明本申請實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 申請中記載的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下， 還可W根據(jù)運些附圖獲得其他的附圖。
[0013] 圖1所示為本發(fā)明具體實施例中BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的流程圖； 圖2所示為本發(fā)明具體實施例中經(jīng)濟數(shù)據(jù)集1的最佳嵌入維數(shù)示意圖； 圖3所示為本發(fā)明具體實施例中經(jīng)濟數(shù)據(jù)集2的最佳嵌入維數(shù)示意圖。
【具體實施方式】
[0014] 下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行詳細(xì)的描 述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明 中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施 例，都屬于本發(fā)明保護(hù)的范圍。
[0015] 本實施例方法對經(jīng)濟時間序列的混濁特性進(jìn)行分析，然后采用相空間重構(gòu)確定經(jīng) 濟時間序列的時滯性，并采用混濁理論重構(gòu)經(jīng)濟時間序列，最后采用遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò) 對重構(gòu)后的經(jīng)濟時間序列預(yù)測，并通過兩個具體經(jīng)濟數(shù)據(jù)對其性能進(jìn)行驗證。
[0016] 經(jīng)濟預(yù)測的建模過程主要包括:經(jīng)濟時間數(shù)據(jù)預(yù)處理;經(jīng)濟時間序列數(shù)據(jù)的相空 間重構(gòu);B巧巾經(jīng)網(wǎng)絡(luò)預(yù)測模型。
[0017]由于經(jīng)濟時間序列數(shù)據(jù)受至喊治、企業(yè)發(fā)展、人口等多種因素影響，具有明顯的上 升或下降趨勢，因此在建模的第一步就是采用對數(shù)線方法對其進(jìn)行性去趨勢平穩(wěn)化預(yù)處 理，設(shè)經(jīng)濟時間序列為yt，則有： lnyt = a+bt (1) 從而獲得預(yù)處理后經(jīng)濟時間序列數(shù)據(jù)： jt =lnyt-(a+bt) (2) 大量研究表明，經(jīng)濟時間序列數(shù)據(jù)具有混濁性，因此對其混濁性強弱進(jìn)行分析，然后進(jìn) 行相空間重構(gòu)，將隱藏于經(jīng)濟時間序列數(shù)據(jù)變化規(guī)律掲示出來。相空間重構(gòu)理論由Packard 等人提出，其目的是將原始經(jīng)濟時間序列擴展到3維甚至更高維的空間中，并且保證高維相 空間與原時間序列的微分同胚性，從而從原始經(jīng)濟時間序列的變化中提取系統(tǒng)的變化規(guī) 律。因此可由系統(tǒng)的當(dāng)前狀態(tài)獲得下一時刻的狀態(tài)，從而得到經(jīng)濟時間序列下一時刻的預(yù) 測值。
[001引設(shè)收集到的經(jīng)濟間間序列為：{x(t)} ;t = l，2，···，n，其中η表示樣本數(shù)。根據(jù) 化kens定理，可W通過選定合適的τ和m將具有混濁特性的經(jīng)濟時間序列時間重構(gòu)為： Xt=(xt，xtW，...，xt+(m-l)T)T (3) 其中τ表示延遲時間，m嵌入維數(shù)。
[0019]設(shè)一個具有混性和非線性經(jīng)濟時間序列輸入為Xt=(xt，x片τ，···，χ*+(πι-1)τ)τ，輸 出為yi = xw，用ΒΡ神經(jīng)網(wǎng)絡(luò)來預(yù)測混濁特征的非線性經(jīng)濟時間序列，輸入層節(jié)點數(shù)為經(jīng)濟 時間序列的嵌入維數(shù)m、隱層為P、輸出個數(shù)為1，則BP神經(jīng)網(wǎng)絡(luò)完成映射其隱層各 節(jié)點的輸入為：
(4) 式中，WU為輸入層至隱層的連接權(quán)值;為隱層節(jié)點的闊值。
[0020] ΒΡ神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)移函數(shù)采用Sigmoid函數(shù)，即有：
(5) 那么隱層節(jié)點的輸出為：
同理，輸出層節(jié)點的輸入、輸出分別為：
式中，Vj為隱層至輸出層的連接權(quán)值；丫為輸出層的闊值。
[002。 BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)重wij、vj和闊值0j、丫可W通過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練求得，故xi+i 是可預(yù)測的，即式(7)即為基于BP神經(jīng)網(wǎng)絡(luò)的經(jīng)濟時間序列預(yù)測模型。
[0022] BP神經(jīng)網(wǎng)絡(luò)在開始訓(xùn)練前將各層的連接權(quán)值(W)及闊值(Θ)隨機初始化為[0，1]之 間的值，運種未經(jīng)優(yōu)化的隨機初始化往往會使BP神經(jīng)網(wǎng)絡(luò)的收斂速度慢且容易使最終結(jié)果 為非最優(yōu)解。當(dāng)前W和Θ優(yōu)化方法主要有梯度下降算法，該算法存在局部最優(yōu)缺陷，而遺傳算 法具有全局優(yōu)化功能，因此本實施例采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，改善BP神 經(jīng)網(wǎng)絡(luò)的預(yù)測性能，采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)如圖1所示。
[0023] 基于混濁理論的非線性經(jīng)濟預(yù)測過程為： (1)對某一個具體需要預(yù)測的經(jīng)濟數(shù)據(jù)經(jīng)濟指進(jìn)行建立，然后根據(jù)所建立的指標(biāo)體系 進(jìn)行經(jīng)濟數(shù)據(jù)收集。
[0024] (2)對收集到經(jīng)濟數(shù)據(jù)中異常的數(shù)據(jù)進(jìn)行剔除，并采用平均方法進(jìn)行替代，然后采 用式（1)和(2)對數(shù)據(jù)進(jìn)行預(yù)處理。
[0025] (3)對預(yù)處理數(shù)據(jù)進(jìn)行相空間重構(gòu)，確定經(jīng)濟時間數(shù)據(jù)序列的延遲時間（τ)和嵌入 維數(shù)(m)，并根據(jù)T、m對經(jīng)濟時間序列樣本進(jìn)行重構(gòu)，將混濁經(jīng)濟時間序列恢復(fù)成為有規(guī)律 的經(jīng)濟時間序列數(shù)據(jù)。
[0026] (4)將重構(gòu)后的經(jīng)濟時間序列數(shù)據(jù)劃分成訓(xùn)練樣本和測試樣本兩部分，訓(xùn)練樣本 用于建立經(jīng)濟預(yù)測模型，測試樣本對建立的經(jīng)濟預(yù)測模型進(jìn)行測試。
[0027] (5)將訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，并采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的參 數(shù)連接權(quán)值(W)及闊值（Θ)進(jìn)行優(yōu)化，從而建立最優(yōu)的經(jīng)濟時間序列最優(yōu)的非線性預(yù)測模 型。
[0028] (6)采用建立的最優(yōu)非線性的經(jīng)濟預(yù)測模型對經(jīng)濟時間序列測試樣本進(jìn)行預(yù)測， 檢驗?zāi)Ｐ陀行?，最后對將來時刻經(jīng)濟發(fā)展水平進(jìn)行預(yù)測。
[0029] 預(yù)測模型的實際應(yīng)用能力應(yīng)該是其獨立預(yù)測精度，而非回代擬合精度。因此，采用 一步預(yù)測法對模型性能進(jìn)行檢驗，即在預(yù)測第i+1個樣本時，第i個樣本需加，采用預(yù)測結(jié)果 的均方誤差(MSE)作為模型預(yù)測性能的度量指標(biāo)，即
式中，yi為經(jīng)濟真實值，A為模型預(yù)測值，η為測試樣本數(shù)。
[0030] 為了防止單個數(shù)據(jù)集的預(yù)測結(jié)果偶然性，本實施例選取兩個不同經(jīng)濟時間數(shù)據(jù)作 為仿真實驗，數(shù)據(jù)1為1952~1980年中國農(nóng)業(yè)總產(chǎn)值指數(shù)(y)與農(nóng)業(yè)稅(XI)、農(nóng)業(yè)勞動力 (X2)、糧食產(chǎn)量(X3)(見表l)。數(shù)據(jù)2為某地18年春糧產(chǎn)量(y，5X105kg)與化肥使用量(xl，5 X105kg)、春糧播種面積(X2，hm2)、水稻揚花期降水(X3，10mm)、飼養(yǎng)豬頭數(shù)(X4，萬頭）（見表 2) 表1中國1952~1980年農(nóng)業(yè)總產(chǎn)值與因子
對經(jīng)濟數(shù)據(jù)集1和數(shù)據(jù)集2進(jìn)行預(yù)處理，然后采用C-C方法對具有混濁特性的經(jīng)濟數(shù)據(jù) 進(jìn)行相空間重構(gòu)，確定它們的最佳延遲時間（τ)和嵌入維數(shù)(m)為:數(shù)據(jù)1的τ = 1，m = 6;數(shù)據(jù) 2的T = l，m = 3,分別如圖2和3所示。對于數(shù)據(jù)1，采用T = l，m = 6對數(shù)據(jù)進(jìn)行重構(gòu);對于數(shù)據(jù) 2,采用T = l，m = 5,對數(shù)據(jù)進(jìn)行重構(gòu);然后分別將它們輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，建立數(shù) 據(jù)1和數(shù)據(jù)2的最優(yōu)預(yù)測模型。
[0031] 將經(jīng)濟數(shù)據(jù)集1和數(shù)據(jù)集2的最后5個樣本集作為測試樣本，采用建立的最優(yōu)預(yù)測 模型對它們分別進(jìn)行預(yù)測，為了使模型的預(yù)測結(jié)果更具說服力，采用線性經(jīng)濟預(yù)測模型多 元線性回歸模型(MLR)、CAR模型、滑動平均模型(ARMA)、非線性經(jīng)濟預(yù)測模型：沒有經(jīng)過混 濁處理的BP神經(jīng)網(wǎng)絡(luò)(BP順1)作為對比模型，得到的預(yù)測結(jié)果如3和表4所示。
[0032] 表3農(nóng)業(yè)總產(chǎn)值指數(shù)預(yù)測
' 從表3和表4可知，對于經(jīng)濟數(shù)據(jù)集1，本實施例模型Μ沈為59.45，遠(yuǎn)遠(yuǎn)低于對比模型；同' 樣對于數(shù)據(jù)2,本實施例模型的MSE也是最低，預(yù)測結(jié)果的平均誤差最小表示模型的預(yù)測精 度最高，能夠很好描述經(jīng)濟時間序列數(shù)據(jù)的變化規(guī)律。
[00削同時從表3和表4可知，線性模型MLR、CAR、AMRA的預(yù)測誤差均要大于非線性模型 BP順巧日本實施例提出的預(yù)測模型，說明經(jīng)濟時間序列是具有非線性變化規(guī)律，采用線性模 型對其進(jìn)行建模預(yù)測，是根本不可性，存在預(yù)測精度精的缺陷；而沒有進(jìn)行混濁分析的 BP順1模型的預(yù)測精度要低于本實施例采用混濁分析的預(yù)測模型，說明不對經(jīng)濟時間序列 進(jìn)行混濁分析，并進(jìn)行相空間重構(gòu)，不能準(zhǔn)確、全面的描述經(jīng)濟時間序列的非線性、混濁性 和時滯性，因此對比結(jié)果表明，本實施例提出的模型是一種快速、準(zhǔn)確、有效的、預(yù)測精度高 的經(jīng)濟時間序列預(yù)測模型。
[0034]最后，還需要說明的是，術(shù)語"包括"、"包含"或者其任何其他變體意在涵蓋非排他 性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且 還包括沒有明確列出的其他要素，或者是還包括為運種過程、方法、物品或者設(shè)備所固有的 要素。
【主權(quán)項】
1. 一種經(jīng)濟預(yù)測模型建立的方法，其特征在于，包括： 步驟1，采用對數(shù)線方法對經(jīng)濟時間序列數(shù)據(jù)進(jìn)行性去趨勢平穩(wěn)化預(yù)處理； 步驟2,經(jīng)濟時間序列數(shù)據(jù)的相空間重構(gòu)，將隱藏于經(jīng)濟時間序列數(shù)據(jù)變化規(guī)律揭示出 來； 步驟3，采用BP神經(jīng)網(wǎng)絡(luò)對經(jīng)濟時間序列數(shù)據(jù)進(jìn)行學(xué)習(xí)和建模； 步驟4，對神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，提高預(yù)測精度。2. 根據(jù)權(quán)利要求1所述的經(jīng)濟預(yù)測模型建立的方法，其特征在于:所述步驟1中，獲得預(yù) 處理后經(jīng)濟時間序列數(shù)據(jù)： γ\ = 1η yt_(a+bt) (I) 其中yt為經(jīng)濟時間序列。3. 根據(jù)權(quán)利要求1所述的經(jīng)濟預(yù)測模型建立的方法，其特征在于:所述步驟2中，相空間 重構(gòu)方法包括： 設(shè)收集到的經(jīng)濟間間序列為：{1(1：)};1=1，2，-_，11，其中11表示樣本數(shù)，根據(jù)131^118定 理，通過選定合適的τ和m將具有混沌特性的經(jīng)濟時間序列時間重構(gòu)為： Xt= (xt,xt+T,··· ,xt+(m-l)x)T (II) 其中τ表示延遲時間，m嵌入維數(shù)。4. 根據(jù)權(quán)利要求1所述的經(jīng)濟預(yù)測模型建立的方法，其特征在于:所述步驟3中，通過BP 神經(jīng)網(wǎng)絡(luò)建模的經(jīng)濟時間序列預(yù)測模型為：式中，W為隱層至輸出層的連接權(quán)值；γ為輸出層的閾值;h為隱層節(jié)點的輸出；p為隱 層。5. 根據(jù)權(quán)利要求1所述的經(jīng)濟預(yù)測模型建立的方法，其特征在于:所述步驟4中，采用遺 傳算法對BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，所述BP神經(jīng)網(wǎng)絡(luò)參數(shù)包括連接權(quán)值和閾值。6. 權(quán)利要求1至5任一所述的經(jīng)濟預(yù)測模型的預(yù)測方法，其特征在于，包括步驟： (1) 、對需要預(yù)測的經(jīng)濟數(shù)據(jù)經(jīng)濟指標(biāo)進(jìn)行建立，然后根據(jù)所建立的指標(biāo)體系進(jìn)行經(jīng)濟 數(shù)據(jù)收集； (2) 、對收集到經(jīng)濟數(shù)據(jù)中異常的數(shù)據(jù)進(jìn)行剔除，并采用平均方法進(jìn)行替代，然后采用 式（I)對數(shù)據(jù)進(jìn)行預(yù)處理； (3) 、對預(yù)處理數(shù)據(jù)進(jìn)行相空間重構(gòu)，確定經(jīng)濟時間數(shù)據(jù)序列的延遲時間τ和嵌入維數(shù) m，并根據(jù)τ、m對經(jīng)濟時間序列樣本進(jìn)行重構(gòu)，將混沌經(jīng)濟時間序列恢復(fù)成為有規(guī)律的經(jīng)濟 時間序列數(shù)據(jù)； (4) 、將重構(gòu)后的經(jīng)濟時間序列數(shù)據(jù)劃分成訓(xùn)練樣本和測試樣本兩部分，訓(xùn)練樣本用于 建立經(jīng)濟預(yù)測模型，測試樣本對建立的經(jīng)濟預(yù)測模型進(jìn)行測試； (5) 、將訓(xùn)練樣本輸入到BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，并采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的參數(shù)連 接權(quán)值W及閾值Θ進(jìn)行優(yōu)化，建立最優(yōu)的經(jīng)濟時間序列最優(yōu)的非線性預(yù)測模型； (6)、采用建立的最優(yōu)非線性的經(jīng)濟預(yù)測模型對經(jīng)濟時間序列測試樣本進(jìn)行預(yù)測，檢驗 模型有效，最后對將來時刻經(jīng)濟發(fā)展水平進(jìn)行預(yù)測。
【文檔編號】G06Q10/06GK105825347SQ201610192209
【公開日】2016年8月3日
【申請日】2016年3月30日
【發(fā)明人】季云峰
【申請人】江蘇信息職業(yè)技術(shù)學(xué)院