基于广义回归神经网络的经济预测模型研究.pdf

广义回归神经网络（GRNN）是一种基于径向基函数的神经网络模型，特别适用于非线性数据的预测任务。它的核心优势在于其自学习、自适应和非线性处理能力，能够捕捉复杂的数据模式，尤其在经济预测领域显示出强大的潜力。 传统的经济预测方法，如时间序列分析（移动平滑法、指数平滑法、随机时间序列方法）、相关分析法和灰色预测等，通常局限于线性模型或简单的因果关系模型，难以准确反映经济系统的内在复杂性和动态特性。而人工神经网络（ANN），尤其是GRNN，提供了一种更灵活的建模工具。GRNN由输入层、径向基隐含层和线性输出层构成，其中输入层接收经济变量的数据，隐含层通过径向基函数（如高斯函数）进行非线性转换，输出层则通过规范化点积权函数计算网络的预测输出。 GRNN的训练过程主要依赖于反向传播（BP）算法，但其学习速度比典型的BP网络更快。这是因为它采用了高斯函数作为隐含层节点的作用函数，赋予了网络局部逼近能力。此外，GRNN的人工调节参数非常少，仅需一个值，这减少了人为因素对预测结果的干扰，使得网络能够更客观地根据数据样本进行学习。 在经济预测中，GRNN可以用来构建多元预测模型，以分析多个经济指标对目标变量（如GDP）的影响。例如，在上述研究中，选取了固定资产、从业人员数量、能源生产总量、财政支出、货运量、人均收入、货币供应量等8个关键指标作为输入变量，GDP的历季度产量作为输出变量，通过GRNN进行训练，得到一个能够预测未来GDP变化的模型。这种模型可以为政策制定者和市场参与者提供有价值的参考，帮助他们做出更明智的决策。 GRNN模型的优势在于其非线性建模能力和对模糊、非结构化数据的处理能力，这使得它在面对经济数据的不确定性和复杂性时表现出较高的预测精度。然而，需要注意的是，尽管GRNN在许多情况下表现良好，但任何预测模型都有其局限性，可能受到数据质量、样本选择和模型参数设置等因素的影响。因此，在实际应用中，需要结合其他经济理论和分析方法，对GRNN的预测结果进行验证和校正，以提高预测的可靠性和稳健性。