#基于ARIMA-ANN的时间序列组合预测模型.docVIP

基于ARIMAANN的时序组合预测模型 张吉刚（咸宁学院 数学系，湖北 咸宁 437） 摘要：目前，时序预测主要采用基于传统研究方法或人工神经网络技术的单项预测方法。近年来的研究表明，组合预测方法比单项预测具有更高的预测精度。本文提出了一种基于BP神经网络和ARIMA组合模型的预测新方法，对中国GDP的变化趋势进行了综合分析与预测，预测结果表明这种方法相对于单一的预测方法具有更高的精度，该模型在非平稳时序的预测中的应用是可行、有效的。 关键词： BP神经网络；ARIMA模型；单位根检验 1 引言 时序中国GDP受到许多因素的制约，这些因素之间呈现出错综复杂的关系，其中既包含线性关系又包含非线性规律，单纯用一种模型进行预测很难同时考虑到线性和非线性变化。组合预测本质上是将各种单项预测看作代表不同信息的片段，通过信息的集成分散单个预测特有的不确定性和减少总体不确定性，从而提高预测精度。 本文提出了一种基于自回归综合移动平均 (ARIMA: Auto Regressive Integrated Moving Average )和反向传播(BP：Back Propogation)神经网络组合模型GDP进行预测的新方法。ARIMA模型描述历史数据的线性关系，BP神经网络模拟数据的非线性规律。采用1978-2000年中国GDP统计数据，建立ARIMA和BP神经网络组合预测模型，并利用该模型预测2001-2004年中国GDP。 ARIMAANN模型的原理 先使用ARIMA模型预测中国GDP，使其线性规律信息包含在ARIMA模型的预测结果中，这时非线性规律包含在了ARIMA模型的预测误差中。然后用BP神经网络预测ARIMA模型的误差，使非线性规律包含在BP神经网络的预测结果中。最后用ARIMA的预测结果与BP神经网络的预测相加得到组合预测模型的预测值，其原理如图1所示。 图1 ARIMAANN模型原理示意图 ARIMA模型的建模过程 ARIMA模型的概念 定义1如果序列，通过次差分成为一个平稳序列，而这个序列差分次时却不平稳，那么称序列为阶单整序列，记为。特别地，如果序列本身是平稳的，则为零阶单整序列，记为。 定义2 设是阶单整序列，即，，为平稳序列，即，则对建立模型为： 式中是自回归系数，是自回归阶次，是移动平均系数，是移动平均阶次，是白噪声序列。 定义3 经过次差分变换后的模型称为模型。 ARIMA模型的建模步骤 （1）ARIMA模型中的确定 ARIMA模型中是序列通过差分变换后成为平稳的单整序列的阶数，而单整阶数是序列中单位根的个数，因此我们采用单位根检验方法来检验序列的平稳性以及求得值，单位根检验方法有多种，有DF(Dickey-Fuller)检验、ADF(augmented Dickey-Fuller Test)检验、PP检验、KPSS检验、ERS检验、NP检验。这里选用ADF检验。 图2 GDP随时间的变化曲线图 图2为1978-2004年中国GDP值的时间序列趋势图，从图中，我们可以观察到中国GDP具有明显的上升趋势，因此，在ADF检验时应选择含有常数项和时间趋势项。检验结果显示（见表1），GDP序列以较大的P值，即87.83%的概率接受原假设，即存在单位根的结论。 将GDP序列做1阶差分，然后对进行ADF检验，此时选择含有常数项和时间趋势项，检验结果显示（见表1），序列在5%的显著性水平下拒绝原假设，接受不存在单位根的结论，但是属于趋势平稳，即具有线性趋势。而PP检验的结果接受原假设，存在单位根的结论，是非平稳的。 再对序列做1阶差分，对做ADF检验，此时选择不含常数项和时间趋势项，检验结果显示（见表1），二阶差分序列在1%的显著性水平下拒绝原假设，接受不存在单位根的结论，因此可以确定GDP序列是2阶单整序列，即值取为2，。 表1 检验中国GDP序列的平稳性 t统计量 概率值（P值） ADF统计量 -1.231 0.8783 显著性水平 1% 检验临界值 -4.441 5% -3.633 10% -3.255 t统计量 概率值（P值） ADF统计量 -4.360 0.0118 显著性水平 1% 检验临界值 -4.441 5% -3.633 10% -3.255 t统计量 概率值（P值） ADF统计量 -3.938 0.0004 显著性水平 1% 检验临界值 -2.680 5% -1.958 10% -1.608 （2）ARIMA模型中和的确定序列的自相关系数(AC)和偏相关系数(PCA)表2序列的自相关系数(AC)和偏相关系数(PCA)序列的自相关系数AC在1阶截尾，偏相关系数PCA在