经济预测论文提纲

论文题目：基于时间序列与LSTM模型的经济预测研究

摘要：经济全球化的发展给我们带来了新的机遇与挑战,在我国民族企业走向世界的同时,也将我国经济卷入了世界经济的浪潮中,全球经济的变化对我国国内经济的影响也越来越明显。因此,进行合理的经济预测,制定适宜的经济政策,提前规避风险,显得越来越重要。本文就经济预测问题,首先介绍了经济预测的特点和几种常见预测方法,包括时间序列预测法、计量经济学方法、多元统计分析法、投入产出分析法、趋势曲线分析法等。这些方法大多主要依赖数理统计模型或者研究人员的实践经验总结,模型较简单,准确率受限。随着人工智能、大数据技术的发展,BP神经网络进入研究人员的视线,BP神经网络可以很好地拟合非线性的经济系统,用BP神经网络进行经济预测取得了很好地效果。但是,传统的BP神经网络没有考虑到经济预测数据所具备的时序性特点。本文实验选用了基于长短期记忆单元的递归神经网络模型LSTM（long short-term memory）来进行经济预测。本文以两种重要的宏观经济指标:国内生产总值（GDP）和居民消费价格指数（CPI）为预测对象,通过Anconda3进行仿真实验。首先,对影响因素进行了特征重要性评价,筛选出重要性较高的指标建立起经济预测影响指标体系。然后,通过对比实验对LSTM网络结构的激活函数、优化器算法、过拟合现象等进行了讨论,构建起最适宜本文实验数据集的LSTM网络模型。其次,使用粒子群算法思想改进后的蝙蝠算法对LSTM模型的初始权重及阈值进行了优化,提升了模型效果。针对未来经济指标无法及时获取问题,将适宜小样本预测的灰色模型与改进后的LSTM模型建立起组合模型。首先通过灰色模型得到单个特征预测值,再将之传入改进后的LSTM模型得出GDP和CPI预测值。同时,考虑到灰色模型长期预测效果欠佳,并且易受到随机因素影响。将无偏灰色模型与基于滑动平均法改进的灰色模型与传统灰色模型预测结果进行加权平均后,再传入改进后LSTM模型,建立组合模型。最后,本文对预测模型进行了应用分析,通过预测结果展示界面,更好展示预测效果,增加了模型的实用价值。本文通过仿真实验对比了多种模型预测效果,发现LSTM模型预测准确度更高,适合用来解决经济预测问题。三种改进方式有效提升了模型效果。将灰色模型引入模型可以更好地对未来经济发展方向做出预判,以制定适宜的经济政策,帮助经济更好更快发展。

关键词：经济预测;LSTM;蝙蝠算法;粒子群算法;灰色模型;组合模型

学科专业：软件工程（专业学位）

摘要

abstract

第1章 绪论

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 课题研究的意义

1.2 国内外研究现状

1.2.1 经济预测研究现状

1.2.2 LSTM研究现状

1.3 本文主要研究内容及组织结构

第2章 经济预测基本理论与预测方案选择

2.1 经济预测理论概述

2.1.1 经济预测的特点

2.1.2 几种常见的经济预测方法

2.2 经济预测影响指标分析

2.2.1 问题分析

2.2.2 经济预测指标分析

2.3 数据预处理

2.3.1 本文实验所用数据集

2.3.2 数据的特征归一化处理

2.4 误差评价体系

2.5 本章小结

第3章 基于LSTM模型的经济预测分析

3.1 传统的经济预测模型预测效果分析

3.1.1 ARIMA模型原理及仿真实验

3.1.2多元回归模型原理及仿真实验

3.2 LSTM模型原理

3.3 基于LSTM的经济预测模型设计

3.3.1 LSTM网络结构设计

3.3.2 激活函数分析

3.3.3 模型优化器算法选择

3.3.4 避免过拟合的网络结构设计

3.3.5 循环层数选择

3.4 LSTM模型预测结果对比分析

3.4.1 实验环境介绍

3.4.2 仿真实验与实验结果

3.5 本章小结

第4章 基于改进LSTM模型的经济预测分析

4.1 PSO-LSTM模型与BA-LSTM模型

4.1.1 粒子群算法介绍

4.1.2 蝙蝠算法介绍

4.1.3 PSO-LSTM模型

4.1.4 BA-LSTM模型

4.2 改进蝙蝠算法介绍及有效性分析

4.3 基于改进BA-LSTM模型的经济预测分析

4.3.1 基于改进BA-LSTM模型经济预测实验设计

4.3.2 仿真实验及结果分析

4.4 灰色模型组合改进BA-LSTM模型的经济预测分析

4.4.1 灰色模型及两种改进灰色模型介绍

4.4.2 实验设计

4.4.3 仿真实验及结果分析

4.5 本章小结

第5章 预测模型的应用分析

5.1 需求介绍

5.2 实验环境及开发工具介绍

5.3 总体设计

5.3.1 逻辑结构划分

5.3.2 功能设计

5.3.3 数据库表设计

5.4 功能实现与展示

5.4.1 基础数据管理模块

5.4.2 预测模型管理模块

5.4.3 预测结果展示模块

5.5 本章小结

总结与展望

致谢

参考文献