Resumen

Basándose en la red neuronal BP y en el modelo ARIMA, este trabajo predice el residuo no lineal del PIB y suma los valores predichos de los dos modelos para obtener el valor predicho final del modelo. En primer lugar, se centra en el modelo ARMA en las series temporales univariantes. Sin embargo, en la vida real, las previsiones suelen verse afectadas por muchos factores, por lo que a continuación se presenta el modelo ARIMAX en las series temporales multivariantes. En el proceso de predicción, la estructura de la red y los diversos parámetros de la red neuronal no se dan de forma sistemática, por lo que el funcionamiento de la red neuronal se ve afectado por muchos factores. Cada método de predicción tiene su ámbito de aplicación y también tiene sus propias debilidades causadas por las características de su propio modelo. En segundo lugar, este artículo propone un método de combinación eficaz según las características del PIB y construye un algoritmo mejorado del modelo de predicción de precios de la red neuronal BP, la investigación sobre la combinación del modelo de predicción del PIB se centra actualmente en su mayoría en la forma ponderada, y este artículo propone otra combinación, a saber, la corrección de errores. De acuerdo con las características de los precios, determinamos el número adecuado de nodos de la capa oculta y construimos un modelo de predicción de precios de red neuronal BP basado en el algoritmo mejorado. La validación de los ejemplos muestra que el modelo de previsión del PIB con corrección de errores también es mejor que el modelo de previsión del PIB ponderado, lo que demuestra que la corrección de errores también es una mejor combinación de métodos de previsión. Los resultados de las previsiones de la red neuronal BP presentan menores errores y precios mensuales. El error relativo de predicción es de aproximadamente el 2,5%. Mediante la comparación con los resultados de predicción del modelo ARIMA, en la predicción de precios diarios, el error relativo de la predicción de la red neuronal BP es del 1,5%, que es inferior al error relativo del modelo ARIMA del 2%.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neuronal, red neuronal de precios, modelo arima, modelo de predicción de precios, modelo de previsión del pib, error relativo, correcciones de errores, muchos factores, métodos de previsión, ámbito de aplicación
• Keywords:neural network, neural network price, arima model, price prediction model, gdp forecast model, relative error, error corrections, many factors, forecasting methods, scope of application