国内生产总值是反映一个国家经济发展水平和状况的重要指标,对其进行预测有着至关重要的意义。单纯地依靠时间序列进行线性分析,难以适应当前形势下复杂多变的社会经济背景。因此本文综合考虑影响国内生产总值的相关因素,选取全社会用电量、电力生产量、能源消费总量、一次性电力及其它能源消费量四个指标,辅助往年GDP（Gross Domestic Product）数据,构成预测网络,提高预测的精度。本文共分为五部分,第一部分介绍了选题的研究背景、研究意义以及研究现状;第二部分以我国GDP作为考察我国经济发展水平的指标,收集能够影响我国GDP的相关因素,进而对收集到的能源生产消费等影响因素与我国GDP进行相关性分析,计算皮尔逊系数,结果表明所选影响因素均与GDP有着极强的线性关系,接下来通过灰色关联分析法计算各个影响因素与GDP之间的灰色关联度,通过灰色关联度确定不同影响因素对GDP的影响程度,对其按照重要程度排序,最终筛选出全社会用电量、电力生产量、能源消费总量、一次性电力及其它能源消费量构成预测我国GDP的指标体系;第三部分基于神经网络在多个领域中建模预测所取得的优越效果,选用了神经网络预测模型中的LSTM（Long Short-Term Memory）模型,以第二部分中所筛选出的指标为输入序列,构建多维LSTM预测模型,同时以GDP数据为输入序列构建单变量LSTM时间序列预测,结果表明多变量LSTM预测模型预测效果优于单变量预测。第四部分选用了较为成熟的时间序列预测模型ARIMA（Autoregressive Integrated Moving Average model）模型对我国 GDP 数据建立 了单变量时间序列预测模型进行预测,最终确定模型为ARIMA（0,2,2）。第五部分基于BP（back propagation）神经网络建立ARIMA模型与LSTM的组合预测模型,BP神经网络除了能够对变量进行合理预测外,还可以分析输入变量对目标变量的影响权重,将ARIMA模型的输出序列与LSTM的输出序列作为BP神经网络的输入序列,对单一预测模型的结果分配影响权重,得到最终的结果,经过实例分析验证,组合模型的预测效果优于单一模型的预测效果,通过组合模型能够得到更精准的预测数据。