作 者:瀋巍,宋玉坤 著 著
定 價:38
出 版 社:知識產權出版社
出版日期:2016年03月01日
頁 數:178
裝 幀:平裝
ISBN:9787513039918
●第1章緒論1
1.1研究背景及意義1
1.1.1研究背景1
1.1.2研究意義2
1.2國內外研究現狀3
1.3研究內容5
1.4研究方法6
1.5創新點7
第2章北京市人口增長的特點及影響因素分析9
2.1北京市常住人口現狀分析9
2.1.1常住人口的增長趨勢9
2.1.2常住人口的地區分布狀況10
2.1.3常住人口的年齡構成狀況12
2.1.4常住人口的文化素質特征13
2.2北京市人口增長的特點13
2.3影響北京市人口增長的因素分析15
2.3.1影響常住人口自然增長的因素分析15
2.3.2影響常住人口機械增長的因素分析16
2.3.3因素分類21
2.4本章小結22
第3章人口預測模型概述23
3.1傳統的基於統計學原理的人口預測模型23
3.1.1指數模型23
3.1.2Logistic人口增長模型23
3.1.3馬爾科夫鏈模型24
3.1.4凱菲茨矩陣模型24
3.1.5萊斯利矩陣25
3.1.6自回歸滑動平均模型25
3.1.7人口發展方程25
3.1.8比較分析26
3.2創新型智能化人口預測模型27
3.2.1人工神經網絡模型27
3.2.2灰色模型29
3.3兩類模型的比較30
3.3.1理論比較30
3.3.2實證比較32
3.4人口預測模型的功能與特點42
3.4.1具有並行處理大量非線性數據的功能42
3.4.2具有自主學習、自我調整的功能42
3.4.3具有多指標同時輸入的功能43
3.4.4具有處理非量化文本因素的功能43
3.4.5具有針對性43
3.5我國人口預測模型現狀43
3.5.1應用統計類預測模型對我國人口進行預測43
3.5.2應用創新型智能化預測模型進行人口預測44
3.6我國人口預測模型中存在的問題及其相應對策45
3.6.1我國人口預測模型中存在的問題45
3.6.2解決問題的相應對策46
3.7本章小結47
第4章基於生物進化算法優化的神經網絡人口預測模型分析與實證49
4.1遺傳算法49
4.1.1遺傳算法概述49
4.1.2遺傳算法的基本步驟49
4.1.3遺傳算法的特點50
4.1.4建立遺傳算法優化的神經網絡人口預測模型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驟52
4.2.3粒子群算法的特點53
4.2.4建立粒子群算法優化的神經網絡人口預測模型53
4.3微分進化算法53
4.3.1微分進化算法概述53
4.3.2微分進化算法的基本步驟54
4.3.3微分進化算法的特點54
4.3.4建立微分進化算法優化的神經網絡人口預測模型54
4.4三種算法的比較分析55
4.5基於優化算法的RBF神經網絡人口預測實證分析56
4.5.1單一指標預測56
4.5.2多指標預測57
4.6本章小結59
第5章影響北京市人口增長的數量化因素挖掘60
5.1數據挖掘60
5.1.1數據挖掘的概念60
5.1.2數據挖掘的步驟60
5.1.3數據挖掘方法61
5.2基於相關分析的數據挖掘63
5.3基於格蘭傑因果檢驗的數據挖掘64
5.4基於DERBF神經網絡模型的數據挖掘66
5.5結果分析69
5.6本章小結70
第6章影響北京市人口增長的文本因素挖掘71
6.1文本挖掘71
6.1.1文本挖掘的概念71
6.1.2文本挖掘的步驟71
6.1.3文本挖掘方法72
6.2構建影響北京市人口增長的文本對像集76
6.3文本預處理76
6.3.1文本結構化76
6.3.2文本因素編碼80
6.4基於PFTree關聯規則算法的影響北京市人口數量的文本挖掘81
6.4.1建立事務數據庫81
6.4.2構建FPTree84
6.4.3數據分析與比較85
6.5文本因素評估86
6.5.1文本預處理86
6.5.2基於文本挖掘的北京市人口預測87
6.6本章小結91
第7章基於REPTree+DERBF模型的北京市人口預測分析93
7.1建立基於知識挖掘的REPTree+DERBF人口預測模型93
7.2實證分析95
7.3基於REPTreeDERBF的北京市中長期人口預測97
7.3.1情景分析法97
7.3.2基於DERBF神經網絡的北京市中長期人口預測98
7.3.3基於REPTreeDERBF模型的北京市人口動態預測分析102
7.4結果分析107
7.5本章小結108
第8章基於REPTreeLogistic模型的北京市人口預測110
8.1Logistic人口增長模型110
8.2Logistic人口預測模型的建立及實證分析111
8.2.1原始Logistic人口增長模型的建立111
8.2.2改進Logistic模型112
8.3.3實證對比分析114
8.3基於改進4參數Logistic模型的北京市人口預測115
8.4基於REPTreeLogistic模型的北京市人口預測117
8.4.1REPTreeLogistic模型的建立117
8.4.2實證分析119
8.4.3基於REPTreeLogistic模型的北京市人口預測120
8.4.4結果分析121
8.5兩種基於復合知識挖掘的人口預測模型對比分析121
8.6本章小結123
第9章北京市人口調控對策與建議124
9.1北京市人口調控的挑戰和難點124
9.2北京市人口調控對策與建議124
9.2.1經濟領域調控對策與建議124
9.2.2首都功能方面調控對策與建議125
9.2.3人口政策方面調控對策與建議127
9.2.4社會環境領域調控對策與建議127
9.2.5城鎮化進程方面調控對策與建議128
9.2.6其它調控對策與建議128
9.4本章小結129
第10章結論與展望130
10.1結論130
10.2研究不足與展望132
參考文獻133
本書針對以往人口預測中僅考慮數量化影響因素的不足,以北京市為例,進一步全面考慮對人口增長有重要影響的定性類知識性影響因素,研究建立包含數據庫、文本庫、推理規則庫和經驗知識庫的復合知識庫。綜合調動復合知識庫中的所有知識,用知識性因素動態調整數量化因素在預測中產生的誤差,挖掘出與預測目標高度相似的新的歷史數據作為輸入數據,從而形成一種基於復合知識挖掘的新的建模預處理技術;研究神經網絡優化技術和決策樹嵌入神經網絡技術,建立能同時處理定量和定性影響因素的基於復合知識挖掘的智能優化神經網絡預測模型。在預測技術中,優選的難題就是如何對定性類知識性因素進行處理。而這類因素在促進北京市人口膨脹中起到重要作用。將這類因素挖掘出來帶入預測模型,提高預測精度,在理論和實踐上具有重要意義。
瀋巍,宋玉坤 著 著
瀋巍,女,1965年生,籍貫遼寧朝陽。博士,華北電力大學經濟與管理學院副教授,研究方向為預測理論與方法、人口預測、股指預測和智能預測。
宋玉坤,男,1989年生,籍貫遼寧丹東。華北電力大學經濟與管理學院碩士研究生,研究方向為智能預測、神經網絡和數據挖掘。
如何綜合運用智能化數據挖掘技術和知識挖掘技術對影響預測精度的數量化因素和定性類知識性因素進行復合挖掘,並經恰當的預處理後代入預測模型,提高預測精度,是預測理論發展到今天所要解決的前沿問題和難點問題。本書針對北京市人口膨脹問題,利用復合知識挖掘技術對影響北京市人口膨脹的結構化的數據因素和非結構化的文本類因素進行繫統深入的復合挖掘,建立基於復合知識挖掘的人口預測模型,並利用建立的模型對北京市人口未來增長趨勢進行預測。希望我們的研究可以突破性地提高北京市人口增長預測精度,為人口預測領域提供新的思路和方法,為人口研究的發展做出貢獻,同時,也為北京市有效調控人口規模、合理調動和規劃資源供給、緩解人口膨脹帶來的資源壓力,提供重要參考依據。