张敏

【摘 要】国内生产总值（GDP）是了解经济运行状况，制定经济发展战略，以及各种宏观经济政策的重要依据。准确预测GDP，分析经济发展趋势，对实现经济宏观决策具有实际意义。本文提出一种基于粒子群算法对RBF网络参数优化预测的方法，建立PSO-RBF预测模型，分析和确定相关影响因素，采用回归预测方法。仿真实验表明，经过粒子群优化的RBF模型能较好地反映GDP的发展趋势，PSO-RBF模型预测优于单一的RBF网络的预测结果。

【关键词】GDP；RBF神经网络；粒子群算法；预测精度

0 引言

国内生产总值（GDP）是指一个国家或者地区在一定时期内生产的最终产品和劳务市场价值。GDP是国民经济核算的核心指标，也是衡量一个国家或地区总体经济状况的重要指标。国内生产总值预测是指根据影响GDP的因素进行回归预测。通过预测，可以建立国内生产总值与各影响因素之间的关系，结合国家可持续发展的要求，有针对性地调整国家民生政策。传统的GDP预测方法有线性回归分析法、曲线拟合法、指数平滑法、灰色预测模型等[1]，这些传统的预测方法精度有限，很难准确反映GDP的内部规律。本文采用粒子群优化的RBF网络预测方法，并与单一RBF网络预测方法进行比较分析，给出相关结论。

1 RBF神经网络

在80年代末，J.Moody和C.Darken提出一种神经网络[2]-RBF神经网络即径向基函数（RBF-Radial Basis Function）神经网络是具有单隐层的3层前向网络，能以任意精度逼近任意连续函数。RBF网络的作用函数采用高斯基函数，是一种局部逼近的神经网络，RBF神经网络结构如图1所示。……