我国汽车产量的分析与预测研究

摘要

汽车产业是国民经济的重要组成部分，汽车产业的发展同时带动机械、电子、钢铁等产业。近年来我国汽车产业迅猛发展，准确的预测我国汽车产量的发展趋势，为我国汽车市场产销平衡提供数据支撑，为我国政府和相关部门制定发展规划和重要决策提供有效指导;时间序列分析的意义在于研究某一时间序列在长期变动过程中所存在的统计规律性。人们通常认为时间序列分析有三个目的:理解所考虑的动态系统，预测未来事件，通过干预来控制未来事件。 本文数据来源于国家统计局网站，选取2000年01月到2015年12月我国汽车月度产量数据进行实例验证。由于部分数据缺失，在建立汽车产量预测模型之前需要对汽车产量缺失数据予以补足，并应用R语言对补足后的数据分别进行指数平滑法预测、ARIMA模型预测，用MATLAB软件进行BP神经网络预测。指数平滑法是一种经验预测法，对数据分布无要求，易于操作;ARIMA模型着重分析时间序列本身的概率或随机性质，利用AIC准则选出最优估计模型;时间序列BP神经网络具有非线性处理和自学能力。三种方法的预测值与真实值的走向基本一致，相对误差在合理的范围内，BP神经网络预测结果最理想。

目录

声明

摘要

第1章绪论

1．1我国汽车产量预测分析研究的意义

1．2时间序列分析综述

1．3本文主要研究内容

1．4论文组织结构

第2章指数平滑法模型预测

2．1简单指数平滑法

2．2 Holt线性指数平滑法

2．3 Holt-Winters指数平滑法

第3章ARMA模型预测分析

3．1时序特性的分析

3．1．1时序的随机性

3．1．2时序的平稳性

3．1．3时序季节性的识别与消除

3．2 ARMA模型及其改进模型

3．3样本自相关系数与偏自相关系数

3．4随机时间序列模型的建立

3．4．1模型的识别

3．4．2参数估计

3．4．3模型检验

3．4．4模型的优化

3．5时序模型预测

第4章BP神经网络预测分析

4．1神经网络概述

4．2多层感知器

4．3 BP神经网络算法原理

5．1数据来源

5．2数据缺失值处理

5．3指数平滑法预测

5．4 ARIMA模型预测

5．4．1时间序列图检验

5．4．2差分平稳化

5．4．3平稳性检验

5．4．4模型定阶及参数估计

5．4．5模型诊断

5．4．6模型的预测

5．5 BP神经网络预测

5．6预测结果比较

第6章总结与展望

参考文献

致谢