宏观经济数据库中数据预测,主流分析技术多采用时间序列模型或回归统计模型,但它们在处理非线性复杂系统时效果无法令人满意。另一方面,实际情况下,影响因变量未来的因素,不仅与历史时间序列数据有关,还应与其它许多同期影响因素有着重要的关系,而且这些同期影响因素往往数量众多且呈现出复杂的相互影响关系,这使得问题的分析预测变得更为复杂繁琐。 上述的这些因素都使得传统预测方法不能令人满意。人工神经网络是近年来兴起的预测的新技术,具有很强的处理大规模复杂非线性动力学系统的能力,且已有预测方面的研究和应用。 针对这种现状,本文提出一种基于神经网络的将时间序列数据和断面数据统计分析相结合的预测模型,不仅利用了神经网络在处理复杂非线性系统时的优势,而且从传统预测方法所考虑的预测原理出发,对单一时序网络预测加以改进,将历史时序数据和断面的影响因子数据加以同时考虑,使得所建模型即反映历史动态发展趋势又体现因果映射。 除此之外,还针对网络结构难以确定的问题进行了深入研究,提出将复相关系数作为确定输入时序变量数的依据,并且对断面数据利用主成份分析法进行预处理,这样不仅使得网络结构更加精简,提高了网络性能,而且给网络结构的确定赋予了实际意义,使预测精度提高。 为了证实以上想法,采集一批真实的宏观数据,分别用三种不同的方法建立了年度GDP绝对值模型。对比实验结果表明,该模型优于其它另外两种,在一定程度上证明了该方法可行有效,具有一定的先进性,在宏观经济指标预测领域具有一定的应用价值。