科研之友
微信
新浪微博
Facebook
分享链接
摘要
[目的/意义]随着机器学习算法研究的不断突破，在GDP预测领域中的应用也日益广泛。系统梳理该领域的相关议题，有助于学术研究的纵深发展。[方法/过程]运用文献分析法对公开发表的学术成果进行归纳，梳理机器学习在GDP预测领域研究的进展与脉络。[结果/结论]现有研究逐渐将原本以灰色预测模型、因子模型、传统时间序列和动态因子模型为主的短期预测功能扩展为以神经网络为核心，支持向量机、贝叶斯算法为补充的长期预测功能。同时，各种研究通过对原有参数进行优化、将模型进行对比、利用不同模型进行组合预测等方式来提高预测精度。机器学习与GDP预测的结合，也使建模思想从线性转向非线性，从关注模型参数优化转向与其他方法相结合。除此之外，算法改进与模型运用的多样性、不同模型之间的多维度比较，仍然是该领域的重点和难点。未来研究可以尝试在深入对比各模型的基础上实现更加有效的组合，或挖掘仍未被使用的模型的潜在预测能力。
- 单位
