论文部分内容阅读
本文在分析现有CPI预测方法的基础上，针对现有预测方法的局限性，建立了基于主成分分析的贝叶斯网络模型。为了降低预测时的复杂度，首先对影响CPI的因素进行分析，并利用主成分分析法对影响因素进行降维，然后在降维的基础上建模并进行拟合预测，实证研究结果表明：该方法提高了计算结果的精确性。本文的主要研究工作如下： 1．分析了CPI样本数据的描述统计特征，对影响CPI的各个因素进行具体分析，最后针对我国的实际情况选取了八类影响因素作为本文的主要研究指标。 2．介绍了贝叶斯网络的基本理沦，并运用K2算法对样本数据建立网络拓扑结构，在建立网络结构的基础上对CPI样本数据建模，并对其进行拟合和预测，实证研究结果表明：贝叶斯网络模型朐预测效果不是很好，有待进一步改进。 3．利用主成分分析法，通过SPSS和Matlab软件对数据进行预处理，在保留大量原始信息的前提下将影响CPI的因素进行了降维，减少了输入变量，便于建模。 4．针对K2算法在预测时出现的问题，首先对K2算法进行改进，建立了基于改进算法的贝叶斯网络模型；然后结合主成分分析法，建立了基于主成分分析的贝叶斯网络模型，很大程度上消除了信息的重叠性，并应用该模型对我国CPI月度数据进行拟合预测；最后，比较三种模型的预测效果。实证研究结果表明：基于主成分分析建立的贝叶斯网络模型较前两种模型的预测精度有了一定的提高，是一种行之有效的预测方法。