个人简介：吴翌琳，中国人民大学统计学院、中国调查与数据中心副教授，应用统计科学研究中心研究员，博士生导师。主要从事经济统计学、企业创新、创业定量研究、指数编制、探索性数据分析等领域研究，承担国家自然科学基金项目，国家社会科学基金项目，教育部人文社会科学基金项目、全国统计科学研究重大项目等科研项目二十余项。在《World Development》、《Industrial and Corporate Change》、《中国人民大学学报》、《北京大学学报》、《统计研究》、《财贸经济》、《宏观经济研究》等核心期刊发表学术文章四十余篇。

论文名称：《互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型》

发表信息：作者：吴翌琳、南金伶，发表于《统计研究》2020年第5期

论文的简要介绍：本研究立足于互联网经济蓬勃发展的背景，对互联网数据的时间序列预测展开探讨。研究指出，神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型，但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此，本研究应用传统时间序列模型和神经网络模型，建立Holtwinters-BP组合模型，利用Holtwinters模型分别拟合各解释变量序列，利用BP模型拟合解释变量和自变量的非线性关系，基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络模型（RNN）、长短期记忆神经网络（LSTM）等预测结果的对比发现：Holtwinters-BP组合模型的预测精度和稳定性更高；证明了多维变量对于广告收入的显著影响，多变量模型的预测准确性高于单变量模型；构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。通过案例研究，深入分析单变量和多变量模型、组合模型和单一模型之间的适用情况、效果差异和可推广性，旨在为低频多变量时间序列的预测分析提供系统的研究思路和工具方法选择。