Volume 1,Issue 3
Fall 2024
基于ARIMA 和ARIMAX 模型的北京市GDP预测分析
为了更加准确地预测北京市GDP 走势，采用时间序列分析方法对 1982— 2022 年的北京市GDP数据展开研究，尝试构建基于动态回归（ARIMAX）模型。通过 Lasso 回归确定影响GDP变化的因素，并将这些因素作为回归项引入差分自回归移动平均（ARIMA）模型，构建ARIMAX模型。
[1]. 李美娟．基于ARIMAX和BP神经网络的安徽省GDP 预测研究［D］．北方民族大学，2022.DOI:10.27754/d.cnki.gbfmz.2022.000194.
[2]. 陈聪聪．基于ARIMA模型和ARIMAX模型的山东省GDP 的预测与分析［D］．山东大学，2016.
[3]. 徐向辉．基于ARIMAX 模型的全国财政收入的预测与分析［D］．大连理工大学，2019.DOI:10.26991/d.cnki.gdllu.2019.002701.
[4]. Anggraeni W, Mahananto F, Sari A Q ,et al.Forecasting the Price of Indonesia's Rice Using Hybrid Artificial Neural Network and Autoregressive Integrated Moving Average (Hybrid NNs-ARIMAX) with Exogenous Variables［J］．Procedia Computer Science, 2019, 161:677-686.DOI:10.1016/j.procs.2019.11.171.
[5]. 田庆，刘永鹏，张晶晶，等．ARIMA 乘积季节模型在山东省肺结核发病预测中的应用［J］．山东大学学报（医学版），2021,59(07):112-118.
[6]. 李威．基于非参数组合预测模型的江西省GDP 的实证分析［D］．江西理工大学，2022.
[7].王燕．时间序列分析：基于R［M］．中国人民大学出版社，2015.
[8]. 司圃旭．基于变量选择和ARIMAX模型的山东省GDP 预测［D］．山东大学，2019.DOI:10.27272/d.cnki.gshdu.2019.000983.
[9]. 汪远征，徐雅静．多元平稳时间序列ARIMAX 模型的应用［J］．统计与决策，2007,(18):132-135.
[10]. 衡红军，任鹏．基于时间序列的机场短时段值机客流量预测［J］．计算机仿真，2020,37(02):26-32.