题目：基于集成学习的宏观经济预测方法研究

针对区域宏观经济预测困难而复杂的问题，本文提出了一种新的处理一类复杂动态系统预测的方法论——集成学习预测方法论。本文首先架构了集成学习预测方法论的总体框架；然后在该框架下，对构成集成学习预测方法论的模型、方法和技术进行系统而深入的研究，为集成学习预测方法论的实际应用建立了一套比较完整的理论建模基础。利用集成学习预测方法论的理论架构与模型技术，本文提出了一系列具体的宏观经济预测模型。综合起来，本文的主要创新点可概括为以下几个方面：(1)以集成思想为核心，以机器学习方法为集成工具，将智能信息处理、传统的计量经济模型、人工智能技术综合集成起来，提出了一个新的处理一类复杂系统预测的集成学习预测方法论，给出了其中关键的模型、方法和技术。集成学习预测方法论注重利用集成思想，在其理论框架的指导下，可以方便快捷地构造出各种不同的具体预测方法。集成学习预测方法论可能是预测理论与技术研究的一个有益的补充。(2)基于集成学习预测方法论的理论框架，提出了三个宏观经济水平预测方法：①运用主成分分析、核聚类算法(KCA)、支持向量回归机(SVR)和神经网络技术，构建了一个基于KCA和SVR的选择性&非线性集成预测模型。在该模型构建中，解决了集成预测的两大问题：①如何确定集成个体模型数量的问题；②如何进行非线性集成的问题。②运用计量经济模型和最小二乘支持向量机(LSSVM)模型，构建了一种新的集成自回归单整移动平均(ARIMA)和LSSVM模型的宏观经济集成预测方法。这个新的集成预测方法充分利用了ARIMA模型在线性预测和LSSVM模型在非线性预测方面的长处及基于预测有效度的线性集成技术，有效提高宏观经济预测的精度。③利用自组织算法、遗传算法(GA)、粒子群算法(PSO)和神经网络模型，构造了一个基于自组织算法的GA优化神经网络和PSO优化神经网络的集成预测模型。在该模型中，自组织算法被用来选取典型的宏观经济预测变量，GA、PSO被用来训练与优化神经网络的权值和初始权值，解决了神经网络的输入变量选择以及训练速度慢、易陷入局部极小等问题。(3)在集成学习预测方法论的理论框架下，提出了三个宏观经济走势预测方法：①运用证据理论、粗集理论和支持向量机方法，构建了一个基于证据理论的粗集优化支持向量机集成预测模型。在这个模型中，粗集被用来选取典型的宏观经济预测的确定性指标，选中的指标进入支持向量机的预测系统，减少支持向量机的学习时间；证据理论被用来表示宏观经济系统中存在着的不确定性信息，将专家知识引入宏观经济预测系统，并融合确定性和不确定性的预测结果为最终的集成预测结果，从而改进趋势预测的效果。②利用决策树和改进支持向量机方法，构造了一个基于决策树和改进支持向量机的宏观经济预警模型。在这个模型中，决策树被用来选取典型的宏观经济预警指标，选中的指标进入改进支持向量机的分类预测系统，减少支持向量机的学习时间；使用改进支持向量机方法的主要目的是为了能够解决宏观经济预警存在的不平衡数据集处理的问题，从而改进趋势预测的效果。③在集成学习预测方法论理论框架的指导下，提出了一种基于KPCA的区域经济社会发展综合评价与预测模型。该方法通过PCA与核方法的有机融合，可以将观察变量空间通过一个非线性变换映射到高维的特征空间，在特征空间内进行线性PCA分析，建立综合评价模型；在此基础上，采用最小二乘法，建立KPCR模型。该模型利用核技巧，从根本上解决非线性PCA的综合评价难题，有效避免多个主成分的不同组合而导致的评价结果的不一致，并且能够提供更多的数据信息。