基于復合知識挖掘的北京市人口膨脹趨勢預測方法研究 版權信息
- ISBN:9787513039918
- 條形碼:9787513039918 ; 978-7-5130-3991-8
- 裝幀:暫無
- 冊數:暫無
- 重量:暫無
- 所屬分類:
基于復合知識挖掘的北京市人口膨脹趨勢預測方法研究 本書特色
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,從而形成一種基于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于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,*大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。
基于復合知識挖掘的北京市人口膨脹趨勢預測方法研究 內容簡介
預測理論發展到今天,面臨的*難題就是如何處理這類知識性文本因素。為了解決這種問題,本書研究運用智能化知識挖掘技術,通過對影響北京市人口增長的知識性文本類因素進行知識發現、知識分類、知識清洗、知識提取、知識預處理等工作,挖掘出對北京市人口膨脹有重要影響的知識性因素,希望能為北京市人口有效調控提供重要參考。
基于復合知識挖掘的北京市人口膨脹趨勢預測方法研究 目錄
前 言 1目 錄 i第1章緒論 11.1研究背景及意義 11.1.1 研究背景 11.1.2 研究意義 21.2國內外研究現狀 31.3研究內容 51.4研究方法 61.5創新點 7第2章北京市人口增長的特點及影響因素分析 92.1 北京市常住人口現狀分析 92.1.1常住人口的增長趨勢 92.1.2常住人口的地區分布狀況 102.1.3常住人口的年齡構成狀況 122.1.4常住人口的文化素質特征 132.2 北京市人口增長的特點 132.3 影響北京市人口增長的因素分析 152.3.1影響常住人口自然增長的因素分析 152.3.2影響常住人口機械增長的因素分析 162.3.3因素分類 212.4 本章小結 22第3章人口預測模型概述 233.1 傳統的基于統計學原理的人口預測模型 233.1.1 指數模型 233.1.2 logistic人口增長模型 233.1.3 馬爾科夫鏈模型 243.1.4 凱菲茨矩陣模型 243.1.5 萊斯利矩陣 253.1.6 自回歸滑動平均模型 253.1.7 人口發展方程 253.1.8 比較分析 263.2創新型智能化人口預測模型 273.2.1 人工神經網絡模型 273.2.2 灰色模型 293.3 兩類模型的比較 303.3.1 理論比較 303.3.2 實證比較 323.4 人口預測模型的功能與特點 423.4.1 具有并行處理大量非線性數據的功能 423.4.2 具有自主學習、自我調整的功能 423.4.3 具有多指標同時輸入的功能 433.4.4 具有處理非量化文本因素的功能 433.4.5 具有針對性 433.5 我國人口預測模型現狀 433.5.1 應用統計類預測模型對我國人口進行預測 433.5.2 應用創新型智能化預測模型進行人口預測 443.6 我國人口預測模型中存在的問題及其相應對策 453.6.1 我國人口預測模型中存在的問題 453.6.2 解決問題的相應對策 463.7 本章小結 47第4章基于生物進化算法優化的神經網絡人口預測模型分析與實證 494.1 遺傳算法 494.1.1 遺傳算法概述 494.1.2 遺傳算法的基本步驟 494.1.3 遺傳算法的特點 504.1.4 建立遺傳算法優化的神經網絡人口預測模型 504.2 粒子群算法 514.2.1 粒子群算法概述 514.2.2 粒子群算法的基本步驟 524.2.3 粒子群算法的特點 534.2.4 建立粒子群算法優化的神經網絡人口預測模型 534.3 微分進化算法 534.3.1 微分進化算法概述 534.3.2 微分進化算法的基本步驟 544.3.3 微分進化算法的特點 544.3.4 建立微分進化算法優化的神經網絡人口預測模型 544.4 三種算法的比較分析 554.5 基于優化算法的rbf神經網絡人口預測實證分析 564.5.1 單一指標預測 564.5.2 多指標預測 574.6 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 605.1 數據挖掘 605.1.1 數據挖掘的概念 605.1.2 數據挖掘的步驟 605.1.3 數據挖掘方法 615.2 基于相關分析的數據挖掘 635.3 基于格蘭杰因果檢驗的數據挖掘 645.4基于derbf神經網絡模型的數據挖掘 665.5 結果分析 695.6 本章小結 70第6章影響北京市人口增長的文本因素挖掘 716.1 文本挖掘 716.1.1 文本挖掘的概念 716.1.2 文本挖掘的步驟 716.1.3 文本挖掘方法 726.2構建影響北京市人口增長的文本對象集 766.3文本預處理 766.3.1文本結構化 766.3.2文本因素編碼 806.4 基于pftree關聯規則算法的影響北京市人口數量的文本挖掘 816.4.1建立事務數據庫 816.4.2構建fptree 846.4.3數據分析與比較 856.5 文本因素評估 866.5.1文本預處理 866.5.2基于文本挖掘的北京市人口預測 876.6 本章小結 91第7章基于reptree derbf模型的北京市人口預測分析 937.1 建立基于知識挖掘的reptree derbf人口預測模型 937.2 實證分析 957.3基于reptreederbf的北京市中長期人口預測 977.3.1 情景分析法 977.3.2基于derbf神經網絡的北京市中長期人口預測 987.3.3 基于reptreederbf模型的北京市人口動態預測分析 1027.4 結果分析 1077.5 本章小結 108第8章基于reptreelogistic模型的北京市人口預測 1108.1 logistic人口增長模型 1108.2 logistic人口預測模型的建立及實證分析 1118.2.1 原始logistic人口增長模型的建立 1118.2.2 改進logistic模型 1128.3.3 實證對比分析 1148.3 基于改進4參數logistic模型的北京市人口預測 1158.4 基于reptreelogistic模型的北京市人口預測 1178.4.1 reptreelogistic模型的建立 1178.4.2 實證分析 1198.4.3 基于reptreelogistic模型的北京市人口預測 1208.4.4 結果分析 1218.5 兩種基于復合知識挖掘的人口預測模型對比分析 1218.6 本章小結 123第9章北京市人口調控對策與建議 1249.1 北京市人口調控的挑戰和難點 1249.2 北京市人口調控對策與建議 1249.2.1 經濟領域調控對策與建議 1249.2.2 首都功能方面調控對策與建議 1259.2.3人口政策方面調控對策與建議 1279.2.4 社會環境領域調控對策與建議 1279.2.5 城鎮化進程方面調控對策與建議 1289.2.6 其它調控對策與建議 1289.4 本章小結 129第10章結論與展望 13010.1 結論 13010.2 研究不足與展望 132參考文獻 133
展開全部
基于復合知識挖掘的北京市人口膨脹趨勢預測方法研究 作者簡介
沈巍,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。