基于LSTM模型的国民经济GDP增长预测建模研究

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GDP增长的预测精度不够准确.为了提高GDP增长的预测精度,首先利用机器学习算法Random Forest对影响GDP增长的变量进行重要性排序,选取重要变量,之后运用深度学习中的LSTM神经网络对GDP增长进行预测分析,并将预测结果与传统时序型ARIMA及GARCH模型进行比较.实验结果表明,基于递归神经网络的LSTM模型能较准确地反映我国GDP增长的变化规律.因此,LSTM模型在宏观经济预测中具有较高的应用价值.