Herald of Technological University Herald of Technological University ВЕСТНИК ТЕХНОЛОГИЧЕСКОГО УНИВЕРСИТЕТА 3034-4689 63789 Управление, информатика и вычислительная техника Управление, информатика и вычислительная техника ПРОГНОЗИРОВАНИЕ РЕГИОНАЛЬНОЙ ДИНАМИКИ С УЧЕТОМ ПРОСТРАНСТВЕННЫХ СВЯЗЕЙ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ ПРОГНОЗИРОВАНИЕ РЕГИОНАЛЬНОЙ ДИНАМИКИ С УЧЕТОМ ПРОСТРАНСТВЕННЫХ СВЯЗЕЙ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ Латыпова Р Р Latypova R R ramilya1983@mail.ru Кирпичников А П Kirpichnikov А P kirpichnikov@kstu.ru Семеенко А С Semeenko A S semeenko_a_s@mail.ru Балтийская академия туризма и предпринимательства ru Baltic Academy of Tourism and Business ru КНИТУ ru KNRTU ru НИУ «Высшая школа экономики» ru Higher School of Economics, Department of Economics ru 01 08 2025 01 08 2025 17 15 320 325 20 04 2023 https://vestniktu.ru/en/nauka/article/63789/view

В статье предлагается использовать искусственную нейронную сеть (ИНС) с архитектурой многослойного персептрона, для моделирования и прогнозирования регионального экономического роста Соединенных Штатов Америки на основе данных за период с 1997 по 2012 гг. На основе данных внутреннего регионального продукта США, осуществляется оценка ряда ИНС и демонстрируется основные спецификации нелинейных моделей базирующихся на входных параметрах, подающихся путем предыдущих значений зависимых переменных, которые в итоге имеют пространственную корреляцию ошибки прогноза. Вследствие чего, использовалась матрица соседства, значения которой были включены во входы ИНС, как предполагается, для уменьшения пространственной корреляции ошибки прогноза и улучшения качества прогнозирования.

In this paper we suggest using multilayer perceptron articial neural network to model andforecast the United States regional economic growth in 1997 - 2012. Based on the data onthe US regional domestic product we estimate a number of ANNs and show that the basicMLPspecications based as inputs on only previous values of dependent variables deliversignicantly spatially correlated prediction error terms. Hence we use the neighborhoodmatrix to construct spatially lagged dependent variable and include them into the set ofANNs' inputs, which appears to signicantly decrease the prediction error spatial correlationand improve the prediction quality of the ANNs.

 временные ряды нелинейная модель искусственная нейронная сеть ошибки прогнозирования пространственная корреляция ВРП США temporary ranks nonlinear model artificial neural network forecasting errors spatial correlation GDP USA временные ряды нелинейная модель искусственная нейронная сеть ошибки прогнозирования пространственная корреляция ВРП США temporary ranks nonlinear model artificial neural network forecasting errors spatial correlation GDP USA

Timo Terasvirta, Dick van Dijk, Marcelo C. Medeiros, Linear models, smooth transition autoregressions, and neural networks for forecasting macroeconomic time series: A re-examination (2005). Timo Terasvirta, Dick van Dijk, Marcelo C. Medeiros, Linear models, smooth transition autoregressions, and neural networks for forecasting macroeconomic time series: A re-examination (2005). N. Schanne, R. Wapler, A. Weyh, Regional unemployment forecasts with spatial interdependencies.(2010). N. Schanne, R. Wapler, A. Weyh, Regional unemployment forecasts with spatial interdependencies.(2010). B. Kock, Timo Terasvirta Forecasting performances of three automated modelling techniques during the economic crisis 2007-2009 (2013). B. Kock, Timo Terasvirta Forecasting performances of three automated modelling techniques during the economic crisis 2007-2009 (2013). Ping-Feng Pai, Wei-Chiang Hong, Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms (2005). Ping-Feng Pai, Wei-Chiang Hong, Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms (2005). Nikolas Kourentzes, Devon K. Barrow, Sven F. Crone, Neural network ensemble operators for time series forecasting (2014). Nikolas Kourentzes, Devon K. Barrow, Sven F. Crone, Neural network ensemble operators for time series forecasting (2014). Che-Chiang Hsu, Chia-Yon Chen, Regional load forecasting in Taiwan-applications of artificial neural networks (2002). Che-Chiang Hsu, Chia-Yon Chen, Regional load forecasting in Taiwan-applications of artificial neural networks (2002). Massimiliano Marcellinoa, James H. Stockb, Mark W. WatsoncA comparison of direct and iterated multistep AR methods for forecasting macroeconomic time series (2006). Massimiliano Marcellinoa, James H. Stockb, Mark W. WatsoncA comparison of direct and iterated multistep AR methods for forecasting macroeconomic time series (2006). Simon Haykin, Neural Networks: A Comprehensive Foundation (2nd Edition), Издательство: Pearson Education, Inc., 2006. Simon Haykin, Neural Networks: A Comprehensive Foundation (2nd Edition), Izdatel'stvo: Pearson Education, Inc., 2006. Уоссермен Ф., Нейрокомпьютерная техника: Теория и практика - М.: Мир, 1992. Uossermen F., Neyrokomp'yuternaya tehnika: Teoriya i praktika - M.: Mir, 1992. Hinton, G. E.; Osindero, S.; Teh, Y. (2006). "A fast learning algorithm for deep belief nets". Neural Computation 18 (7). Hinton, G. E.; Osindero, S.; Teh, Y. (2006). "A fast learning algorithm for deep belief nets". Neural Computation 18 (7).