基于BP神经网络下的北京市GDP预测开题报告

1. 研究目的与意义、国内外研究现状（文献综述）

国内生产总值(gdp),是一个国家（或地区）所有常住单位在一定时期内生产活动的最终成果。

gdp是国民经济核算的核心指标，也是衡量一个国家或地区经济状况和发展水平的重要指标。

在经济形式分析中，常常需要对主要经济指标进行预测，特别是对gdp的总量和增长速度进行预测（政府统计部门和发展计划部门的这种要求尤为迫切）。

2. 研究的基本内容和问题

运用神经网络，让模型自主学习，通过前馈和反馈，让模型更好的拟合，提高模型的准确性。

同时使用传统预测模型（时间序列模型），比较两者的优劣。

3. 研究的方法与方案

研究方法

用bp神经网络对1978-2017年的北京市gdp数据集进行分析和预测。即是指记时间序列为，可用时间序列的前m个值去预测下s个值。具体来说，就是用一个结构为m-s-1的神经网络来拟合或者逼近函数，其预测可用下式来描述：t(yt,yt-1,...,yt s-1)=f(yt-1,yt-2,...,yt-m)

当s大于1时，是多步预测，此时有s个输出，对应有s个预测值。

4. 研究创新点

本课题使用的是北京市GDP的时序数据，传统的模型不能很好的解决时序数据本身自带的时滞性和频率低的缺点。我利用如今比较流行的机器学习算法，可以有效的解决这些弊端，使模型更加具有灵活性，减少误差，从而增加模型对数据的解释程度。

5. 研究计划与进展

2020年1月-2020年3月 研读文献同时熟悉BP神经网络的机器学习2020年3月-2020年4月 将时间序列和BP神经网络结合，提高模型的准确度；同时将该模型与传统模型从各个方面进行比较，分析优劣。2020年4月-2020年5月 完成论文