CN104966228B - 一种基于arima与lssvm模型的cpi组合预测方法 - Google Patents

一种基于arima与lssvm模型的cpi组合预测方法 Download PDF

Info

Publication number
CN104966228B
CN104966228B CN201510326282.9A CN201510326282A CN104966228B CN 104966228 B CN104966228 B CN 104966228B CN 201510326282 A CN201510326282 A CN 201510326282A CN 104966228 B CN104966228 B CN 104966228B
Authority
CN
China
Prior art keywords
sequence
long
term trend
predicted value
cpi
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510326282.9A
Other languages
English (en)
Other versions
CN104966228A (zh
Inventor
李哲
韩继光
王娟
李金蔓
张彦霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201510326282.9A priority Critical patent/CN104966228B/zh
Publication of CN104966228A publication Critical patent/CN104966228A/zh
Application granted granted Critical
Publication of CN104966228B publication Critical patent/CN104966228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种基于ARIMA与LSSVM模型的CPI组合预测方法，属于经济领域。本发明对CPI数据进行HP滤波分解得到长期趋势序列与循环序列；对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值；用GA‑LSSVM模型对循环序列进行预测，得到循环序列的预测值；将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。本发明简单易行，可以简单、可靠地预测地区、全国CPI，应用范围广，对很多地区都有可参考和应用价值，起到指导作用。适用于所有地区的CPI的预测。

Description

一种基于ARIMA与LSSVM模型的CPI组合预测方法
技术领域
本发明涉及一种基于ARIMA与LSSVM模型的CPI组合预测方法，属于经济领域。
背景技术
物价稳定是宏观经济政策的目标之一，通货膨胀涉及到一国的经济稳定、社会稳定及人民的生活。由于全球金融危机的蔓延，通货膨胀的有效控制成为我国政府面临的首要任务。
CPI作为通货膨胀最重要指标，是经济运行和社会稳定重点监测的指标。CPI关系国计民生，是管理层制定宏观经济政策、分析货币市场和债券市场及央行公开市场操作的重要参考依据。CPI预测研究对制定超前的货币政策、实施国家进行宏观调控起到指导作用。
发明内容
本发明提供了一种基于ARIMA与LSSVM模型的CPI组合预测方法，为CPI的预测提供一种新的思路，以用于提高CPI的预测精度等。
本发明的技术方案是：一种基于ARIMA与LSSVM模型的CPI组合预测方法，对CPI数据进行HP滤波分解得到长期趋势序列与循环序列；对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值；用GA-LSSVM模型对循环序列进行预测，得到循环序列的预测值；将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
所述方法的具体步骤如下：
Step1、通过国家统计局网站获取CPI数据，利用HP滤波将CPI数据分解为长期趋势序列与循环序列；
Step2、对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值：
Step2.1、对长期趋势序列数据进行平稳性检验，并通过ADF检验验证，直到长期趋势序列数据平稳，得到ARIMA模型；
Step2.2、对平稳后的长期趋势序列数据进行白噪声检验、方差齐性检验：若结果具有异方差性，则得到ARIMA-GARCH模型；若无异方差性，则得到ARIMA模型；
Step2.3、对进行白噪声检验、方差齐性检验后的长期趋势序列数据进行随机扰动项检验：若结果服从t分布，则分别得到ARIMA-GARCH~t模型或者ARIMA~t模型；否则，则分别得到ARIMA-GARCH模型或者ARIMA模型；
Step2.4、根据进行了平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验后获得的模型对长期趋势序列进行预测，得到长期趋势序列的预测值；
Step3、基于循环序列运用遗传算法对LSSVM模型的参数寻优，获得最优参数，运用最优参数代入LSSVM模型进行循环序列预测，得到循环序列的预测值；
Step4、将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
本发明的有益效果是：简单易行，可以简单、可靠地预测地区、全国CPI，应用范围广，对很多地区都有可参考和应用价值，起到指导作用。适用于所有地区的CPI的预测。一方面为经济部门提供参考，对制定超前的货币政策、实施国家进行宏观调控起到指导作用；另一方面可根据CPI预测值为管理层制定宏观经济政策、分析货币市场和债券市场及央行公开市场操作的重要参考依据。
附图说明
图1为本发明CPI数据HP滤波分解图；
图2为本发明一阶差分后长期趋势序列的时序图；
图3为本发明ARCH效应检验图；
图4为本发明循环序列预测值与实际值对比图；
图5为本发明CPI真实值与预测值比较。
具体实施方式
实施例1：如图1-5所示，一种基于ARIMA与LSSVM模型的CPI组合预测方法，对CPI数据进行HP滤波分解得到长期趋势序列与循环序列；对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值；用GA-LSSVM模型对循环序列进行预测，得到循环序列的预测值；将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
所述方法的具体步骤如下：
Step1、通过国家统计局网站获取CPI数据，利用HP滤波将CPI数据分解为长期趋势序列与循环序列；
Step2、对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值：
Step2.1、对长期趋势序列数据进行平稳性检验，并通过ADF检验验证，直到长期趋势序列数据平稳，得到ARIMA模型；
Step2.2、对平稳后的长期趋势序列数据进行白噪声检验、方差齐性检验：结果具有异方差性，则得到ARIMA-GARCH模型；
Step2.3、对进行白噪声检验、方差齐性检验后的长期趋势序列数据进行随机扰动项检验：结果不服从t分布，则得到ARIMA-GARCH模型；
Step2.4、根据进行了平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验后获得的ARIMA-GARCH模型对长期趋势序列进行预测，得到长期趋势序列的预测值；
Step3、基于循环序列运用遗传算法对LSSVM模型的参数寻优，获得最优参数，运用最优参数代入LSSVM模型进行循环序列预测，得到循环序列的预测值；
Step4、将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
实施例2：如图1-5所示，一种基于ARIMA与LSSVM模型的CPI组合预测方法，对CPI数据进行HP滤波分解得到长期趋势序列与循环序列；对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值；用GA-LSSVM模型对循环序列进行预测，得到循环序列的预测值；将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
所述方法的具体步骤如下：
Step1、通过国家统计局网站获取CPI数据，利用HP滤波将CPI数据分解为长期趋势序列与循环序列；
Step2、对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值：
Step2.1、对长期趋势序列数据进行平稳性检验，并通过ADF检验验证，直到长期趋势序列数据平稳，得到ARIMA模型；
Step2.2、对平稳后的长期趋势序列数据进行白噪声检验、方差齐性检验：结果无异方差性，则得到ARIMA模型；
Step2.3、对进行白噪声检验、方差齐性检验后的长期趋势序列数据进行随机扰动项检验：结果服从t分布，则得到ARIMA~t模型；
Step2.4、根据进行了平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验后获得的ARIMA~t模型对长期趋势序列进行预测，得到长期趋势序列的预测值；
Step3、基于循环序列运用遗传算法对LSSVM模型的参数寻优，获得最优参数，运用最优参数代入LSSVM模型进行循环序列预测，得到循环序列的预测值；
Step4、将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
实施例3：如图1-5所示，一种基于ARIMA与LSSVM模型的CPI组合预测方法，对CPI数据进行HP滤波分解得到长期趋势序列与循环序列；对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值；用GA-LSSVM模型对循环序列进行预测，得到循环序列的预测值；将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
所述方法的具体步骤如下：
Step1、通过国家统计局网站获取CPI数据，利用HP滤波将CPI数据分解为长期趋势序列与循环序列；
Step2、对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值：
Step2.1、对长期趋势序列数据进行平稳性检验，并通过ADF检验验证，直到长期趋势序列数据平稳，得到ARIMA模型；
Step2.2、对平稳后的长期趋势序列数据进行白噪声检验、方差齐性检验：结果无异方差性，则得到ARIMA模型；
Step2.3、对进行白噪声检验、方差齐性检验后的长期趋势序列数据进行随机扰动项检验：结果不服从t分布，得到ARIMA模型；
Step2.4、根据进行了平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验后获得的ARIMA模型对长期趋势序列进行预测，得到长期趋势序列的预测值；
Step3、基于循环序列运用遗传算法对LSSVM模型的参数寻优，获得最优参数，运用最优参数代入LSSVM模型进行循环序列预测，得到循环序列的预测值；
Step4、将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
实施例4：如图1-5所示，一种基于ARIMA与LSSVM模型的CPI组合预测方法，对CPI数据进行HP滤波分解得到长期趋势序列与循环序列；对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值；用GA-LSSVM模型对循环序列进行预测，得到循环序列的预测值；将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
所述方法的具体步骤如下：
Step1、通过国家统计局网站获取CPI数据，利用Eviews中的HP滤波将CPI数据分解为长期趋势序列与循环序列；如图1所示，其中Y代表CPI数据，Trend代表长期趋势序列，Cycle代表循环序列，从图中可以看出长期趋势序列有递减趋势；
Step2、运用Eviews软件对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值：
Step2.1、对长期趋势序列数据进行平稳性检验，并通过ADF检验验证，直到长期趋势序列数据平稳，得到ARIMA模型；如图2所示，从图中可以看到，一阶差分后的长期趋势序列迅速趋向于0，无明显单调、循环趋势，经过ADF检验证实一阶差分后的长期趋势序列是平稳的，由模型参数检验建立ARIMA((1,2,4,5,7),1, (1,2,3,4,5,6,10))模型，
Step2.2、对平稳后的长期趋势序列数据进行白噪声检验、方差齐性检验：若结果具有异方差性，则得到ARIMA-GARCH模型；如图3所示，从图中可以看到，F统计量与LM统计量的P<0.05，拒绝原假设，即认为残差序列据有异方差性，对具有残差异方差性的序列一般建立阶数较低的GARCH模型，通过检验GARCH(2，1)符合要求；
Step2.3、对进行白噪声检验、方差齐性检验后的长期趋势序列数据进行随机扰动项检验：通过检验发现随机扰动项服从t分布，综合以上建立ARIMA-GARCH(2，1)~t模型，运用该模型对长期趋势序列进行预测，并得到预测值；
Step3、基于循环序列运用遗传算法对LSSVM模型的参数寻优，获得最优参数，运用最优参数代入LSSVM模型进行循环序列预测，得到循环序列的预测值；如图4所示，从图中可以看到，循环序列的预测值与真实值非常接近，即预测精度较好；
Step4、将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值；如图5所示，从图中可以看到，CPI预测值与真实值较为接近，预测误差较小，该组合模型适合CPI的预测。
实施例5：如图1-5所示，一种基于ARIMA与LSSVM模型的CPI组合预测方法，对CPI数据进行HP滤波分解得到长期趋势序列与循环序列；对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值；用GA-LSSVM模型对循环序列进行预测，得到循环序列的预测值；将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
实施例6：如图1-5所示，一种基于ARIMA与LSSVM模型的CPI组合预测方法，对CPI数据进行HP滤波分解得到长期趋势序列与循环序列；对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值；用GA-LSSVM模型对循环序列进行预测，得到循环序列的预测值；将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
所述方法的具体步骤如下：
Step1、通过国家统计局网站获取CPI数据，利用HP滤波将CPI数据分解为长期趋势序列与循环序列；
Step2、对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值：
Step2.1、对长期趋势序列数据进行平稳性检验，并通过ADF检验验证，直到长期趋势序列数据平稳，得到ARIMA模型；
Step2.2、对平稳后的长期趋势序列数据进行白噪声检验、方差齐性检验：若结果具有异方差性，则得到ARIMA-GARCH模型；若无异方差性，则得到ARIMA模型；
Step2.3、对进行白噪声检验、方差齐性检验后的长期趋势序列数据进行随机扰动项检验：若结果服从t分布，则分别得到ARIMA-GARCH~t模型或者ARIMA~t模型；否则，则分别得到ARIMA-GARCH模型或者ARIMA模型；
Step2.4、根据进行了平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验后获得的模型对长期趋势序列进行预测，得到长期趋势序列的预测值；
Step3、基于循环序列运用遗传算法对LSSVM模型的参数寻优，获得最优参数，运用最优参数代入LSSVM模型进行循环序列预测，得到循环序列的预测值；
Step4、将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (1)

1.一种基于ARIMA与LSSVM模型的CPI组合预测方法，其特征在于：对CPI数据进行HP滤波分解得到长期趋势序列与循环序列；对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值；用GA-LSSVM模型对循环序列进行预测，得到循环序列的预测值；将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值；
所述方法的具体步骤如下：
Step1、通过国家统计局网站获取CPI数据，利用HP滤波将CPI数据分解为长期趋势序列与循环序列；
Step2、对长期趋势序列数据进行平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验，并得到长期趋势序列的预测值：
Step2.1、对长期趋势序列数据进行平稳性检验，并通过ADF检验验证，直到长期趋势序列数据平稳，得到ARIMA模型；
Step2.2、对平稳后的长期趋势序列数据进行白噪声检验、方差齐性检验：若结果具有异方差性，则得到ARIMA-GARCH模型；若无异方差性，则得到ARIMA模型；
Step2.3、对进行白噪声检验、方差齐性检验后的长期趋势序列数据进行随机扰动项检验：若结果服从t分布，则分别得到ARIMA-GARCH~t模型或者ARIMA~t模型；否则，则分别得到ARIMA-GARCH模型或者ARIMA模型；
Step2.4、根据进行了平稳性检验、白噪声检验、方差齐性检验以及随机扰动项检验后获得的模型对长期趋势序列进行预测，得到长期趋势序列的预测值；
Step3、基于循环序列运用遗传算法对LSSVM模型的参数寻优，获得最优参数，运用最优参数代入LSSVM模型进行循环序列预测，得到循环序列的预测值；
Step4、将长期趋势序列的预测值与循环序列预测值进行相加，则得到CPI的预测值。
CN201510326282.9A 2015-06-15 2015-06-15 一种基于arima与lssvm模型的cpi组合预测方法 Active CN104966228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510326282.9A CN104966228B (zh) 2015-06-15 2015-06-15 一种基于arima与lssvm模型的cpi组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510326282.9A CN104966228B (zh) 2015-06-15 2015-06-15 一种基于arima与lssvm模型的cpi组合预测方法

Publications (2)

Publication Number Publication Date
CN104966228A CN104966228A (zh) 2015-10-07
CN104966228B true CN104966228B (zh) 2018-05-25

Family

ID=54220260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510326282.9A Active CN104966228B (zh) 2015-06-15 2015-06-15 一种基于arima与lssvm模型的cpi组合预测方法

Country Status (1)

Country Link
CN (1) CN104966228B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667377B (zh) * 2020-04-24 2021-03-09 南方电网能源发展研究院有限责任公司 一种全自动用电量预测方法及其系统
CN111667095A (zh) * 2020-04-30 2020-09-15 百度在线网络技术（北京）有限公司 预测经济状态、建立经济状态预测模型的方法及对应装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101156133A (zh) * 2005-04-04 2008-04-02 先进微装置公司 用于臆测分支预测优化的系统及其方法
CN103440536A (zh) * 2013-09-04 2013-12-11 国家电网公司 一种区域宏观经济预测模型方法
CN104270281A (zh) * 2014-09-03 2015-01-07 河海大学 一种Web Service QoS组合预测方法
CN104573865A (zh) * 2015-01-08 2015-04-29 国家电网公司 一种基于定基能源消费弹性系数预测能源消费总量的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101156133A (zh) * 2005-04-04 2008-04-02 先进微装置公司 用于臆测分支预测优化的系统及其方法
CN103440536A (zh) * 2013-09-04 2013-12-11 国家电网公司 一种区域宏观经济预测模型方法
CN104270281A (zh) * 2014-09-03 2015-01-07 河海大学 一种Web Service QoS组合预测方法
CN104573865A (zh) * 2015-01-08 2015-04-29 国家电网公司 一种基于定基能源消费弹性系数预测能源消费总量的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于ARIMA和LSSVM的非线性集成预测模型";朱帮助 等;《数学的实践与认识》;20090630;第39卷(第12期);第34-40页 *

Also Published As

Publication number Publication date
CN104966228A (zh) 2015-10-07

Similar Documents

Publication Publication Date Title
Yang et al. The nonlinear effect of population aging on carbon emission-Empirical analysis of ten selected provinces in China
CN103488874B (zh) 一种结合激光诱导击穿光谱对钢铁材料的分类方法
CN103730109B (zh) 一种公共场所异常声音特征提取方法
Zhang et al. Fault detection strategy based on weighted distance of $ k $ nearest neighbors for semiconductor manufacturing processes
CN104299659A (zh) 核电站运行状态监控方法、装置及系统
CN104966228B (zh) 一种基于arima与lssvm模型的cpi组合预测方法
CN112100164A (zh) 一种智能审计方法、系统和可读存储介质
Qiu et al. Detection of synchrophasor false data injection attack using feature interactive network
Mnif et al. Energy-conserving cryptocurrency response during the COVID-19 pandemic and amid the Russia–Ukraine conflict
Chu et al. A building carbon emission prediction model by PSO-SVR method under multi-criteria evaluation
Tan et al. Adaptive neuro‐fuzzy inference system approach for urban sustainability assessment: A China case study
CN105954695A (zh) 一种基于同步的同质传感器突变参数识别方法与装置
CN109711642B (zh) 基于大数据的脱硫系统运行优化方法和系统
CN106326677A (zh) 一种pta装置醋酸消耗的软测量方法
Rui-jun et al. Application of improved KNN algorithm in air quality assessment
Dehghani et al. Toward a distinguishing approach for improving the apriori algorithm
Chen et al. Identification of typical partial discharge defects of distribution system equipment based on classification learner
Cui et al. Determinants of the variance of estimations on China's carbon emission: Based on meta-analysis
Fol et al. Detection of faulty beam position monitors
Qu et al. Detection of False Data Injection Attack in Power System Based on Hellinger Distance
Zhang Granger causality analysis on the economy and transportation infrastructure construction
Gong et al. Research on customer churn prediction method based on variable precision rough set and BP neural network
Reena et al. Software defect prediction system–decision tree algorithm with two level data pre-processing
Donon et al. Anomaly Detection and Breakdown Prediction in RF Power Source Output: A Review of Approaches
Zhao et al. Energy System Planning and Intelligent Regulation and Optimization based on Artificial Intelligence

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant