书籍详情
基于复合知识挖掘的北京市人口膨胀趋势预测方法研究
作者：沈巍，宋玉坤 著
出版社：知识产权出版社
出版时间：2016-03-01
ISBN：9787513039918
定价：¥38.00
购买这本书可以去
内容简介
本书针对以往人口预测中仅考虑数量化影响因素的不足，以北京市为例，进一步全面考虑对人口增长有重要影响的定性类知识性影响因素，研究建立包含数据库、文本库、推理规则库和经验知识库的复合知识库。综合调动复合知识库中的所有知识，用知识性因素动态调整数量化因素在预测中产生的误差，挖掘出与预测目标高度相似的新的历史数据作为输入数据，从而形成一种基于复合知识挖掘的新的建模预处理技术；研究神经网络优化技术和决策树嵌入神经网络技术，建立能同时处理定量和定性影响因素的基于复合知识挖掘的智能优化神经网络预测模型。在预测技术中，难题就是如何对定性类知识性因素进行处理。而这类因素在促进北京市人口膨胀中起到重要作用。将这类因素挖掘出来带入预测模型，提高预测精度，在理论和实践上具有重要意义。
作者简介
沈巍，女，1965年生，籍贯辽宁朝阳。博士，华北电力大学经济与管理学院副教授，研究方向为预测理论与方法、人口预测、股指预测和智能预测。宋玉坤，男，1989年生，籍贯辽宁丹东。华北电力大学经济与管理学院硕士研究生，研究方向为智能预测、神经网络和数据挖掘。
目录
第1章 绪论 1
1.1研究背景及意义 1
1.1.1 研究背景 1
1.1.2 研究意义 2
1.2国内外研究现状 3
1.3研究内容 5
1.4研究方法 6
1.5创新点 7
第2章 北京市人口增长的特点及影响因素分析 9
2.1 北京市常住人口现状分析 9
2.1.1常住人口的增长趋势 9
2.1.2常住人口的地区分布状况 10
2.1.3常住人口的年龄构成状况 12
2.1.4常住人口的文化素质特征 13
2.2 北京市人口增长的特点 13
2.3 影响北京市人口增长的因素分析 15
2.3.1影响常住人口自然增长的因素分析 15
2.3.2影响常住人口机械增长的因素分析 16
2.3.3因素分类 21
2.4 本章小结 22
第3章 人口预测模型概述 23
3.1 传统的基于统计学原理的人口预测模型 23
3.1.1 指数模型 23
3.1.2 Logistic人口增长模型 23
3.1.3 马尔科夫链模型 24
3.1.4 凯菲茨矩阵模型 24
3.1.5 莱斯利矩阵 25
3.1.6 自回归滑动平均模型 25
3.1.7 人口发展方程 25
3.1.8 比较分析 26
3.2创新型智能化人口预测模型 27
3.2.1 人工神经网络模型 27
3.2.2 灰色模型 29
3.3 两类模型的比较 30
3.3.1 理论比较 30
3.3.2 实证比较 32
3.4 人口预测模型的功能与特点 42
3.4.1 具有并行处理大量非线性数据的功能 42
3.4.2 具有自主学习、自我调整的功能 42
3.4.3 具有多指标同时输入的功能 43
3.4.4 具有处理非量化文本因素的功能 43
3.4.5 具有针对性 43
3.5 我国人口预测模型现状 43
3.5.1 应用统计类预测模型对我国人口进行预测 43
3.5.2 应用创新型智能化预测模型进行人口预测 44
3.6 我国人口预测模型中存在的问题及其相应对策 45
3.6.1 我国人口预测模型中存在的问题 45
3.6.2 解决问题的相应对策 46
3.7 本章小结 47
第4章 基于生物进化算法优化的神经网络人口预测模型分析与实证 49
4.1 遗传算法 49
4.1.1 遗传算法概述 49
4.1.2 遗传算法的基本步骤 49
4.1.3 遗传算法的特点 50
4.1.4 建立遗传算法优化的神经网络人口预测模型 50
4.2 粒子群算法 51
4.2.1 粒子群算法概述 51
4.2.2 粒子群算法的基本步骤 52
4.2.3 粒子群算法的特点 53
4.2.4 建立粒子群算法优化的神经网络人口预测模型 53
4.3 微分进化算法 53
4.3.1 微分进化算法概述 53
4.3.2 微分进化算法的基本步骤 54
4.3.3 微分进化算法的特点 54
4.3.4 建立微分进化算法优化的神经网络人口预测模型 54
4.4 三种算法的比较分析 55
4.5 基于优化算法的RBF神经网络人口预测实证分析 56
4.5.1 单一指标预测 56
4.5.2 多指标预测 57
4.6 本章小结 59
第5章 影响北京市人口增长的数量化因素挖掘 60
5.1 数据挖掘 60
5.1.1 数据挖掘的概念 60
5.1.2 数据挖掘的步骤 60
5.1.3 数据挖掘方法 61
5.2 基于相关分析的数据挖掘 63
5.3 基于格兰杰因果检验的数据挖掘 64
5.4基于DE-RBF神经网络模型的数据挖掘 66
5.5 结果分析 69
5.6 本章小结 70
第6章 影响北京市人口增长的文本因素挖掘 71
6.1 文本挖掘 71
6.1.1 文本挖掘的概念 71
6.1.2 文本挖掘的步骤 71
6.1.3 文本挖掘方法 72
6.2构建影响北京市人口增长的文本对象集 76
6.3文本预处理 76
6.3.1文本结构化 76
6.3.2文本因素编码 80
6.4 基于PF-Tree关联规则算法的影响北京市人口数量的文本挖掘 81
6.4.1建立事务数据库 81
6.4.2构建FP-Tree 84
6.4.3数据分析与比较 85
6.5 文本因素评估 86
6.5.1文本预处理 86
6.5.2基于文本挖掘的北京市人口预测 87
6.6 本章小结 91
第7章 基于REPTree+DE-RBF模型的北京市人口预测分析 93
7.1 建立基于知识挖掘的REPTree+DE-RBF人口预测模型 93
7.2 实证分析 95
7.3基于REPTree-DERBF的北京市中长期人口预测 97
7.3.1 情景分析法 97
7.3.2基于DE-RBF神经网络的北京市中长期人口预测 98
7.3.3 基于REPTree-DERBF模型的北京市人口动态预测分析 102
7.4 结果分析 107
7.5 本章小结 108
1.1研究背景及意义 1
1.1.1 研究背景 1
1.1.2 研究意义 2
1.2国内外研究现状 3
1.3研究内容 5
1.4研究方法 6
1.5创新点 7
第2章 北京市人口增长的特点及影响因素分析 9
2.1 北京市常住人口现状分析 9
2.1.1常住人口的增长趋势 9
2.1.2常住人口的地区分布状况 10
2.1.3常住人口的年龄构成状况 12
2.1.4常住人口的文化素质特征 13
2.2 北京市人口增长的特点 13
2.3 影响北京市人口增长的因素分析 15
2.3.1影响常住人口自然增长的因素分析 15
2.3.2影响常住人口机械增长的因素分析 16
2.3.3因素分类 21
2.4 本章小结 22
第3章 人口预测模型概述 23
3.1 传统的基于统计学原理的人口预测模型 23
3.1.1 指数模型 23
3.1.2 Logistic人口增长模型 23
3.1.3 马尔科夫链模型 24
3.1.4 凯菲茨矩阵模型 24
3.1.5 莱斯利矩阵 25
3.1.6 自回归滑动平均模型 25
3.1.7 人口发展方程 25
3.1.8 比较分析 26
3.2创新型智能化人口预测模型 27
3.2.1 人工神经网络模型 27
3.2.2 灰色模型 29
3.3 两类模型的比较 30
3.3.1 理论比较 30
3.3.2 实证比较 32
3.4 人口预测模型的功能与特点 42
3.4.1 具有并行处理大量非线性数据的功能 42
3.4.2 具有自主学习、自我调整的功能 42
3.4.3 具有多指标同时输入的功能 43
3.4.4 具有处理非量化文本因素的功能 43
3.4.5 具有针对性 43
3.5 我国人口预测模型现状 43
3.5.1 应用统计类预测模型对我国人口进行预测 43
3.5.2 应用创新型智能化预测模型进行人口预测 44
3.6 我国人口预测模型中存在的问题及其相应对策 45
3.6.1 我国人口预测模型中存在的问题 45
3.6.2 解决问题的相应对策 46
3.7 本章小结 47
第4章 基于生物进化算法优化的神经网络人口预测模型分析与实证 49
4.1 遗传算法 49
4.1.1 遗传算法概述 49
4.1.2 遗传算法的基本步骤 49
4.1.3 遗传算法的特点 50
4.1.4 建立遗传算法优化的神经网络人口预测模型 50
4.2 粒子群算法 51
4.2.1 粒子群算法概述 51
4.2.2 粒子群算法的基本步骤 52
4.2.3 粒子群算法的特点 53
4.2.4 建立粒子群算法优化的神经网络人口预测模型 53
4.3 微分进化算法 53
4.3.1 微分进化算法概述 53
4.3.2 微分进化算法的基本步骤 54
4.3.3 微分进化算法的特点 54
4.3.4 建立微分进化算法优化的神经网络人口预测模型 54
4.4 三种算法的比较分析 55
4.5 基于优化算法的RBF神经网络人口预测实证分析 56
4.5.1 单一指标预测 56
4.5.2 多指标预测 57
4.6 本章小结 59
第5章 影响北京市人口增长的数量化因素挖掘 60
5.1 数据挖掘 60
5.1.1 数据挖掘的概念 60
5.1.2 数据挖掘的步骤 60
5.1.3 数据挖掘方法 61
5.2 基于相关分析的数据挖掘 63
5.3 基于格兰杰因果检验的数据挖掘 64
5.4基于DE-RBF神经网络模型的数据挖掘 66
5.5 结果分析 69
5.6 本章小结 70
第6章 影响北京市人口增长的文本因素挖掘 71
6.1 文本挖掘 71
6.1.1 文本挖掘的概念 71
6.1.2 文本挖掘的步骤 71
6.1.3 文本挖掘方法 72
6.2构建影响北京市人口增长的文本对象集 76
6.3文本预处理 76
6.3.1文本结构化 76
6.3.2文本因素编码 80
6.4 基于PF-Tree关联规则算法的影响北京市人口数量的文本挖掘 81
6.4.1建立事务数据库 81
6.4.2构建FP-Tree 84
6.4.3数据分析与比较 85
6.5 文本因素评估 86
6.5.1文本预处理 86
6.5.2基于文本挖掘的北京市人口预测 87
6.6 本章小结 91
第7章 基于REPTree+DE-RBF模型的北京市人口预测分析 93
7.1 建立基于知识挖掘的REPTree+DE-RBF人口预测模型 93
7.2 实证分析 95
7.3基于REPTree-DERBF的北京市中长期人口预测 97
7.3.1 情景分析法 97
7.3.2基于DE-RBF神经网络的北京市中长期人口预测 98
7.3.3 基于REPTree-DERBF模型的北京市人口动态预测分析 102
7.4 结果分析 107
7.5 本章小结 108
猜您喜欢
