Dec, 2023

机器学习算法预测马达加斯加实际国内生产总值

PDF
TL;DR研究探讨不同机器学习算法在现在预测马达加斯加国内生产总值 (GDP) 方面的预测能力。我们使用 10 个马达加斯加季度宏观经济领先指标，对流行的回归模型进行训练，包括线性正则化回归 (Ridge，Lasso，Elastic-net)，维度约简模型 (主成分回归)，k 最近邻算法 (k-NN 回归)，支持向量回归 (线性 SVR)，以及基于树的集成模型 (Random Forest 和 XGBoost 回归)，并使用简单的计量经济模型作为基准。通过计算均方根误差 (RMSE)，平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 来衡量每个模型的现在预测准确性。我们的发现表明，通过汇总个体预测形成的集成模型始终优于传统计量经济模型。我们得出结论，机器学习模型可以更准确和及时地预测马达加斯加的经济表现，并为决策者提供数据驱动的决策指导。
machine learning algorithmsnowcastgross domestic product (gdp)ensemble modelmalagasy economic performance
发现论文，激发创造
  • 使用深度学习生成美国国内生产总值 (GDP) 增长的密度预测：基于贝叶斯后向传播和蒙特卡洛辍学

    人工神经网络 (ANNs) 可以比动态因素模型 (DFM) 更准确地预测国内生产总值 (GDP)，尤其在经济衰退和结构性断裂期间展现出灵活性和非线性估计模型的性能优势。为了填补 ANNs 无法生成带有不确定性的预测分布的空白，我们使用贝叶斯反向传播和 Monte Carlo dropout 两种不同的深度学习算法，使得 ANNs 能够生成美国 GDP 增长的概率预测。通过使用一维卷积神经网络作为底层 ANN 架构，这两种算法在评估期 (2012 年第一季度 ——2022 年第四季度) 中超越了基准模型和经典时间序列方法，而且能够动态调整预测分布的位置 (均值)、尺度 (方差) 和形状 (偏度)。研究结果表明，贝叶斯反向传播和 Monte Carlo dropout 可以有效扩展和加强 ANNs 的范围和功能，使其成为经典时间序列方法的全兼容和竞争性替代方案。

    May, 2024

  • 递归深度学习框架用于预测未来十年的世界经济展望

    本研究采用深度学习方法，通过比较多种深度学习模型（LSTM, BD-LSTM, ED-LSTM 和 CNN）及传统时间序列模型（ARIMA,VAR）预测未来十年全球经济的 GDP 增长率，预测结果显示中国、法国和印度的 GDP 将会保持稳定或增长，而其他大多数发达国家和新兴市场经济体的经济增长将会放缓、停滞甚至衰退。其中，ED-LSTM 模型预测效果最佳。

    Jan, 2023

  • 使用机器学习模型进行电影收入预测

    用机器学习模型预测电影收益，通过收集、预处理、分析、选择模型、评估和改进的结构化方法，构建了一个准确预测电影收益的模型，使用线性回归、决策树、随机森林回归、Bagging、XGBoosting 和 Gradient Boosting 进行训练和测试，通过超参数调整和交叉验证提高模型的准确性和泛化性，有助于电影行业做出明智的决策以最大化利润。

    May, 2024

  • 通过经典和机器学习模型的集成预测 COVID-19 传播：以西班牙为案例研究

    本研究使用一组群体模型和机器学习模型来预测 COVID-19 疫情的近期趋势，结合病例、疫苗接种、人类流动和天气等数据，通过调整 Gompertz、Logistic、Richards 和 Bertalanffy 等经典人口模型和机器学习模型进行预测。该研究认为，对这两类模型进行集成能够提高预测的精度和鲁棒性，并可用于缺乏相关数据的情况下。

    Jul, 2022

  • 新的回归算法的表现评估和比较

    比较新提出的回归算法与传统机器学习算法（决策树、随机森林、KNN 和 XG Boost）的性能，使用平均绝对误差作为性能度量标准在各种数据集上进行深入比较，展示了新的算法具有的潜力和鲁棒性。

    Jun, 2023

  • 采用人工神经网络进行 GDP 现值预测：长期记忆的重要性如何？

    通过比较动态因子模型（DFM）和四种人工神经网络（ANNs）的预测表现，本文应用不同的统计模型来实时预测美国经济的季度 GDP 增长，并使用 FRED-MD 数据库进行实证研究。结果表明，虽然在经济增长平衡期间，较长的输入序列会产生更准确的预测，但是在经济动荡期间（如 COVID-19 衰退期间），较长的训练序列并不能提高模型的预测性能；在这种情况下，1D CNN 则具有较高的准确率，并被提出作为一种经济实时预测的有效方法。

    Apr, 2023

  • 利用外生变量和机器学习算法进行短期股票价格预测

    追溯 2020 年 3 月至 2022 年 5 月的短期内，该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性，并发现 XGBoost 模型虽然运行时间较长（最多 10 秒），但提供了最高的准确性。

    May, 2023

  • 基于统计学和机器学习模型的实时日常排放比较研究

    本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

    Feb, 2023

  • 寻找完美匹配：将回归模型应用于 ClimateBench v1.0

    使用机器学习模型作为仿真器来进行气候预测是当前研究中的一个主要领域，可以帮助决策者做出明智决策。本研究侧重于评估使用非线性回归模型进行气候仿真的能力，并比较了三种非线性回归模型的效果。高斯过程回归模型在气候仿真研究中展现了卓越的性能，但在计算资源方面存在一些问题。另外，支持向量和核岭模型也取得了竞争性的结果，但需要解决一些权衡问题。此外，正在积极研究复合核和变分推断等技术，以进一步提高回归模型的性能，有效地模拟包括降水在内的复杂非线性模式。

    Aug, 2023

  • 农业预测的创新：关于全球作物产量预测的多元回归研究

    利用 6 种回归模型（线性回归、决策树、梯度下降、梯度提升、K 最近邻和随机森林）预测 196 个国家的农作物产量，并通过农药、降雨量、温度和产量 4 个参数，发现随机森林回归模型的决定系数（r^2）为 0.94，误差（ME）为 0.03。研究使用联合国粮食农业组织的数据和世界银行的气候变化数据训练和测试模型，并分析各个参数对农作物产量的影响。通过使用非传统的模型以及最近收集的数据，实现了独特的研究方法，旨在为农业研究找到最优模型，并利用联合国的数据进行研究。

    Dec, 2023