支持向量机预测在我国城镇失业率研究中的实证分析

论文摘要

失业问题始终是当今世界各国社会经济发展的重大问题,它既是综合性的经济问题,又是复杂的社会问题。同时,失业是宏观经济中特别重要的三个指标之一,因此研究我国城镇失业率具有积极的现实意义论文中的数据来自于中华人民共和国统计局、国家统计数据库、国研网与和讯网,分别应用多元回归分析和支持向量回归法对我国城镇失业率进行预测,最后得出基于支持向量回归法优于多元回归分析方法。文章的主要内容是：本文绪论介绍了论文的背景和研究意义,对失业率与支持向量机进行了系统研究。第二章介绍了相关的预测方法,分别从定性预测和定量预测进行了研究。在定量预测中主要介绍了时间序列预测、多元回归预测、灰色预测、人工神经网络预测、支持向量回归和组合预测。第三章介绍了支持向量机的核心理论。其内容主要包括机器学习、统计学习理论和支持向量机三个方面。支持向量机方法是基于统计学习理论的一种算法,其基本理论就是VC维和结构风险最小化原理。第四章应用多元线性回归法、非线性回归法、神经网络法、线性核函数的支持向量机法、高斯径向基核函数的支持向量机法对我国城镇失业率进行了实证分析。这五种方法从曲线拟合图、拟合相对误差、拟合精度三个方面进行比较,得出支持向量机回归法是一种较理想的曲线拟合法。支持向量机回归法选取线性核函数和高斯径向基核函数对我国城镇失业率进行拟合,其拟合精度分别是0.177%和0.195%。最后,文章应用上述五种方法对2010年至2015年我国城镇失业率进行预测,并得出其预测结果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 国内外相关领域的研究现状及存在的问题
• 1.2.1 失业率及相关研究现状
• 1.2.2 预测方法研究现状
• 1.2.3 支持向量机研究现状
• 1.2.4 存在的问题
• 1.3 本文的研究内容和组织结构
• 1.4 论文的主要工作
• 第2章 预测相关理论
• 2.1 预测
• 2.2 定性预测
• 2.3 定量预测
• 2.3.1 时间序列预测
• 2.3.2 回归预测
• 2.3.3 灰色预测
• 2.3.4 神经网络预测
• 2.3.5 组合预测
• 2.4 本章小结
• 第3章 支持向量机
• 3.1 机器学习
• 3.1.1 机器学习的表示
• 3.1.2 经验风险最小化
• 3.1.3 机器学习的泛化能力
• 3.2 统计学习理论
• 3.2.1 VC维
• 3.2.2 推广性的界
• 3.2.3 结构风险最小化原理
• 3.3 支持向量机
• 3.3.1 支持向量分类机
• 3.3.2 支持向量回归机
• 3.4 核函数
• 3.5 支持向量机预测
• 3.6 本章小结
• 第4章 我国城镇失业率的预测
• 4.1 引言
• 4.2 数据的选取及处理
• 4.2.1 数据的收集
• 4.2.2 影响因素的确定
• 4.2.3 数据处理
• 4.3 基于多元回归分析的失业率预测
• 4.3.1 失业模型的基本描述
• 4.3.2 相关性显著性检验模型的建立
• 4.3.3 异常值与残差分析
• 4.3.4 模型的参数估计与共线性检验结果
• 4.3.5 基于多元回归分析的失业率拟合效果分析
• 4.4 基于RBF神经网络失业率预测
• 4.5 基于支持向量机的失业率预测
• 4.5.1 数据处理与支持向量机相关函数调用
• 4.5.2 相关参数选择
• 4.5.3 核函数选择
• 4.5.4 预测结果及其分析
• 4.6 多种拟合结果比较分析
• 4.7 我国城镇失业率预测结果
• 4.8 本章小结
• 第5章 总结与展望
• 5.1 本文总结
• 5.2 工作展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文及科研成果
• 附录1 我国城镇失业率影响因素及其相关数据
• 附录2 相关系数矩阵
• 附录3 残差分析与异常值检验