（2） 对第一问中处理好的GDP序列建立合适的单变量时间序列模型，并预测2015-2016年的GDPR语言代码

针对第一问中处理好的GDP序列，我们可以使用自回归（AR）、移动平均（MA）、自回归移动平均（ARMA）和自回归积分移动平均（ARIMA）等单变量时间序列模型进行建模和预测。

首先，我们需要对GDP序列进行平稳性检验，以确保数据的平稳性。可以使用单位根检验（ADF检验）来进行检验。代码如下：

from statsmodels.tsa.stattools import adfuller

result = adfuller(gdp_series)
print('ADF Statistic: %f' % result[0])
print('p-value: %f' % result[1])
print('Critical Values:')
for key, value in result[4].items():
    print('\t%s: %.3f' % (key, value))

如果p值小于0.05，则可以拒绝原假设，即序列是平稳的。否则，我们需要对序列进行差分操作，使其变得平稳。代码如下：

diff_gdp = gdp_series.diff().dropna()

接下来，我们可以使用自相关图和偏自相关图来确定AR和MA阶数。代码如下：

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

plot_acf(diff_gdp, lags=20)
plot_pacf(diff_gdp, lags=20)

根据自相关图和偏自相关图，我们可以发现GDP序列的自相关和偏自相关都具有长期依赖性，因此我们可以选择ARIMA模型进行建模和预测。

我们可以使用ARIMA模型对序列进行拟合和预测。代码如下：

from statsmodels.tsa.arima_model import ARIMA

model = ARIMA(gdp_series, order=(1, 1, 1))
model_fit = model.fit(disp=0)
print(model_fit.summary())

forecast = model_fit.forecast(steps=2)[0]
print('预测值：', forecast)

根据模型的拟合结果和预测结果，我们可以得到2015-2016年的预测值。