国内生产总值(GDP)作为评价一个国家或地区的经济实力的核心指标,对于判断经济是否健康平稳运行有着至关重要的作用,准确的GDP预测也将为相关部门进行经济发展规划和政策的制定提供统计理论的支持。因此,找到有效的预测方法对GDP进行精准预测有着重要的实际意义。本文以我国1952-2019年GDP序列为研究对象,使用MATLAB软件,建立了多个模型预测我国GDP,并对比评价了各模型预测的结果,确定出相对最优的模型和预测方法。第一,依据时间序列分析理论,对GDP序列建立了 ARIMA模型。随后,为了提高时间序列模型预测的效果,选取了 10个与GDP高度相关的经济变量指标,并采用了 Lasso方法进行变量选择,最终选取我国财政收入序列和居民消费水平序列作为输入序列建立ARIMAX模型。第二,依据神经网络理论,针对传统梯度下降算法的BP神经网络存在的不足,建立了基于LM算法改进的BP神经网络进行GDP的预测。第三,考虑到组合模型通常能够结合单一模型的优势、弥补单一模型的缺陷,于是尝试对我国GDP序列建立组合模型。在建立传统的串联型、并联型组合模型的同时,提出并重点建立了 ARIMAX-BP组合模型,具体方法是选取比ARIMA模型的预测效果更好的ARIMAX模型刻画我国GDP的线性特征,然后利用LM-BP神经网络提取ARIMAX模型残差序列中的非线性特征,两模型的结果相加即得到最终预测结果。综上,本文共建立了 ARIMA模型、ARIMAX模型、LM-BP神经网络模型三种单一模型,并在单一模型的基础上探讨了组合模型的建立方法,成功建立了预测效果最好的ARIMAX-BP组合模型。通过对预测结果进行比较分析主要得出以下结论:第一,引入了输入变量的ARIMAX模型的预测效果要优于ARIMA模型。这说明了通过Lasso方法进行模型变量选择的可行性,也说明了引入财政收入序列和居民消费水平序列有助于刻画GDP序列的发展变化趋势。第二,本文建立的模型都较为准确的预测了我国的GDP,都有一定的应用价值,而ARIMAX-BP组合模型的相对预测效果最好。这说明了传统时间序列分析方法和神经网络方法均能对我国GDP进行有效预测,且两种方法相结合进行GDP预测更具优势。