基于改进的PSO-BP组合模型在经济预测中的应用

赵鹏 董倩

摘 要：国内生产总值是衡量一个地区发展的重要指标，反映该地区的经济发展态势，因此，对国内生产总值进行科学有效的预测具有重要的意义。在众多学者研究的基础之上，本文提出了改进的PSO-BP组合模型，以1995—2013年为训练数据，2014—2016年为预测数据，借助MATLAB软件对河北省GDP进行预测。实验结果显示，本文预测模型精度要优于同类预测模型。

关键词：BP神经网络;GDP;预测模型;MATLAB;经济

本文索引：赵鹏，董倩.<标题>[J].商展经济，2022（01）：-029.

中图分类号：F127 文献标识码：A

改革开放以来，我国经济发展迅速，取得了巨大成就。同时，也面临着严峻的经济形势，如何合理利用现有经济数据，采取有效的手段，对未来经济发展进行准确的预判，是经济统计工作者面临的挑战。只有准确地预测出区域GDP[1，2]，才能有效制定出经济发展策略。在新时期经济背景下，学者通过对GDP的研究，取得了长足进步。王爽等（2020）[3]建立了ARIMA模型，预测了广东省GDP;唐欣乔等（2021）[4]采用多元统计分析的方法预测了区域经济的发展态势;刘淇（2021）[5]基于GM（1，1）模型预测了江苏省GDP;刘兆鹏（2020）[6]借助残差自回归模型对安徽省GDP进行了预测。鉴于经济数据的非线性和复杂性，为了提高预测精度，本文采用改进的PSO-BP组合模型对河北省GDP进行预测。

1 BP神经网络

BP神经网络根据误差的反向传播[7]，不断调整阈值和权值，符合条件后输出预测值。本文选的激励函数为：

2 粒子群算法（PSO）

PSO算法是粒子群算法的一种[8]，计算过程中不断调整速度和位置来接近真实值，以下分别为速度和位置迭代公式：

3 改进的PSO-BP组合模型在河北省GDP预测中的应用

PSO通过优化初始状态下BP神经网络的阈值和权值，使BP神经网络的训练和预测效果达到最优。为了提高PSO算法的全局和局部搜索能力，本文采用正弦函数替代（4）中的。

影响GDP增长的因素很多，通过查阅资料并结合MATLAB软件模拟分析，本文选取以下指标量为BP神经网络的输入量：电力消费量、社会消费品零售总额、经营单位所在地进出口总额、固定资产投资、财政支出和财政收入。1995—2013年为训练数据，2014—2016年为预测数据，实验数据从河北省统计局和国家统计局网站获取，如表1所示。

由于数据量纲不一致，进行归一化处理，归一化公式如下：

对数据进行归一化处理后，最终数据在取值。之后，计算数据的相关系数，如表2所示（其中，为财政收入，为财政支出，为固定资产投资，为进出口总额，为社会消费品零售额，为电力消费量，为地区生产总值）。

由表2结果可以得到，相关系数接近1，则所选的6个因素与GDP正相关，与GDP有着较强的相关性。之后，借助MATLAB软件对河北省GDP进行预测，对于改进的PSO-BP组合模型，由于选择了6个参考因素，预测值只有GDP，所以输入层节点数为6，输出层节点数为1，得到预测结果如表3所示，从表3可以得知误差范围在3%以内，预测精度还是比较高的。

为了进一步验证本文组合模型的预测效果，把模型的预测结果与ARIMA模型、GM（1，1）模型预测结果进行比较，得到图1曲线图，由图1可以看出，本文的预测模型效果明显优于ARIMA模型和GM（1，1）模型。

4 结语

鉴于经济运行的复杂性，本文提出了改进的PSO-BP组合模型，以河北省GDP为例，以过去经济数据为训练样本，对未来GDP值进行预测。实验结果表明，本文的预测模型精度优于同类预测模型，可以为政府制定经济政策提供参考。

参考文献

孙二林，张为斌.国家及地区的个数、人口、GDP分布模型研究[J].科技经济导刊，2021，29（24）：77-80.

辛思涵，张全飞.我国南北方经济差异的研究[J].现代商业，2021（24）：101-103.

王爽，汪海飞.基于ARIMA模型的海南省国内生产总值预测[J].对外经贸，2020（4）：44-46.

唐欣乔，俊皓.多元统计分析在区域经济发展中的预测研究[J].中国储运，2021（2）：161-162.

刘淇.基于GM（1，1）模型的江苏省GDP预测研究[J].商讯，2021（2）：7-8.

刘兆鹏.残差自回归模型在安徽省GDP预测中的应用[J].洛阳师范学院学报，2020，39（11）：11-14.

高红.基于灰色神经网络模型的江苏省人口预测[J].江苏商论，2021（9）：130-132.

刘志勇，王小紅.一种自适应粒子群算法的小波神经网络优化[J].机械与电子，2021，39（8）：8-12.