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.
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
1. 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).
2. N. Schanne, R. Wapler, A. Weyh, Regional unemployment forecasts with spatial interdependencies.(2010).
3. B. Kock, Timo Terasvirta Forecasting performances of three automated modelling techniques during the economic crisis 2007-2009 (2013).
4. Ping-Feng Pai, Wei-Chiang Hong, Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms (2005).
5. Nikolas Kourentzes, Devon K. Barrow, Sven F. Crone, Neural network ensemble operators for time series forecasting (2014).
6. Che-Chiang Hsu, Chia-Yon Chen, Regional load forecasting in Taiwan-applications of artificial neural networks (2002).
7. Massimiliano Marcellinoa, James H. Stockb, Mark W. WatsoncA comparison of direct and iterated multistep AR methods for forecasting macroeconomic time series (2006).
8. Simon Haykin, Neural Networks: A Comprehensive Foundation (2nd Edition), Издательство: Pearson Education, Inc., 2006.
9. Уоссермен Ф., Нейрокомпьютерная техника: Теория и практика - М.: Мир, 1992.
10. Hinton, G. E.; Osindero, S.; Teh, Y. (2006). "A fast learning algorithm for deep belief nets". Neural Computation 18 (7).
