基于LSTM模型的国民经济GDP增长预测建模研究.pdf

年第 期 经济研究导刊 ,
2021 19 2021
总第 期
477 ECONOMICRESEARCHGUIDE
基于 LSTM 模型的国民经济 GDP 增长预测建模研究
朱 青，周石鹏
（上海理工大学，上海 200093）
摘 要：传统时间序列方法在预测模型中要求时序数据稳定，但对复杂的非线性系统拟合能力较差，但 增长的预测
GDP
精度不够准确。为 了 提高 增长的预测精度，首先利用机器学习算法 对影响 增长的变量进行重要性排
GDP RandomForest GDP
序，选取重要变量，之后运用深度学习中的 神经网络对 增长进行预测分析，并将预测结果与传统时序型 及
LSTM GDP ARIMA
模型进行比较。实 验 结 果 表明，基于递归神经网络的 模型能较准确地反映我国 增长的变化规律。因此，
GARCH LSTM GDP LSTM
模型在宏观经济预测中具有较高的应用价值。
关键词： 增长预测； ；特征选择；随机森林
GDP LSTM
中图分类号： 文献标志码： 文章编号： （ ）
F12 A 1673-291X 2021 19-0