基于复合知识挖掘的北京市人口膨胀趋势预测方法研究PDF电子书下载

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 3

1.2 国内外研究现状 4

1.3 研究内容 7

1.4 研究方法 10

1.5 创新点 11

第2章 北京市人口增长的特点及影响因素分析 13

2.1 北京市常住人口现状分析 13

2.1.1 常住人口的增长趋势 13

2.1.2 常住人口的地区分布状况 14

2.1.3 常住人口的年龄构成状况 17

2.1.4 常住人口的文化素质特征 18

2.2 北京市人口增长的特点 18

2.3 影响北京市人口增长的因素分析 21

2.3.1 影响常住人口自然增长的因素分析 21

2.3.2 影响常住人口机械增长的因素分析 22

2.3.3 因素分类 28

2.4 本章小结 29

第3章 人口预测模型概述 31

3.1 传统的基于统计学原理的人口预测模型 31

3.1.1 指数模型 31

3.1.2 Logistic人口增长模型 32

3.1.3 马尔科夫链模型 33

3.1.4 凯菲茨矩阵模型 33

3.1.5 莱斯利矩阵 34

3.1.6 自回归滑动平均模型 34

3.1.7 人口发展方程 35

3.1.8 比较分析 36

3.2 创新型智能化人口预测模型 37

3.2.1 人工神经网络模型 37

3.2.2 灰色模型 40

3.3 两类模型的比较 41

3.3.1 理论比较 41

3.3.2 实证比较 44

3.4 人口预测模型的功能与特点 54

3.4.1 具有并行处理大量非线性数据的功能 54

3.4.2 具有自主学习、自我调整的功能 55

3.4.3 具有多指标同时输入的功能 55

3.4.4 具有处理非量化文本因素的功能 55

3.4.5 具有针对性 55

3.5 我国人口预测模型现状 56

3.5.1 应用统计类预测模型对我国人口进行预测 56

3.5.2 应用创新型智能化预测模型进行人口预测 57

3.6 我国人口预测模型中存在的问题及其相应对策 58

3.6.1 我国人口预测模型中存在的问题 58

3.6.2 解决问题的相应对策 60

3.7 本章小结 61

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 63

4.1 遗传算法 63

4.1.1 遗传算法概述 63

4.1.2 遗传算法的基本步骤 64

4.1.3 遗传算法的特点 64

4.1.4 建立遗传算法优化的神经网络人口预测模型 64

4.2 粒子群算法 66

4.2.1 粒子群算法概述 66

4.2.2 粒子群算法的基本步骤 67

4.2.3 粒子群算法的特点 68

4.2.4 建立粒子群算法优化的神经网络人口预测模型 68

4.3 微分进化算法 69

4.3.1 微分进化算法概述 69

4.3.2 微分进化算法的基本步骤 70

4.3.3 微分进化算法的特点 70

4.3.4 建立微分进化算法优化的神经网络人口预测模型 71

4.4 三种算法的比较分析 71

4.5 基于优化算法的RBF神经网络人口预测实证分析 72

4.5.1 单一指标预测 73

4.5.2 多指标预测 75

4.6 本章小结 77

第5章 影响北京市人口增长的数量化因素挖掘 78

5.1 数据挖掘 78

5.1.1 数据挖掘的概念 78

5.1.2 数据挖掘的步骤 79

5.1.3 数据挖掘方法 80

5.2 基于相关分析的数据挖掘 83

5.3 基于格兰杰因果检验的数据挖掘 84

5.4 基于DE-RBF神经网络模型的数据挖掘 87

5.5 结果分析 92

5.6 本章小结 92

第6章 影响北京市人口增长的文本因素挖掘 93

6.1 文本挖掘 93

6.1.1 文本挖掘的概念 93

6.1.2 文本挖掘的步骤 93

6.1.3 文本挖掘方法 94

6.2 构建影响北京市人口增长的文本对象集 100

6.3 文本预处理 101

6.3.1 文本结构化 101

6.3.2 文本因素编码 106

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 107

6.4.1 建立事务数据库 107

6.4.2 构建FP-Tree 111

6.4.3 数据分析与比较 112

6.5 文本因素评估 113

6.5.1 文本预处理 114

6.5.2 基于文本挖掘的北京市人口预测 115

6.6 本章小结 119

第7章 基于REPTree+DE-RBF模型的北京市人口预测分析 121

7.1 建立基于知识挖掘的REPTree+DE-RBF人口预测模型 121

7.2 实证分析 124

7.3 基于REPTree-DERBF的北京市中长期人口预测 127

7.3.1 情景分析法 127

7.3.2 基于DE-RBF神经网络的北京市中长期人口预测 128

7.4 结果分析 137

7.5 本章小结 139

第8章 基于REPTree-Logistic模型的北京市人口预测 140

8.1 Logistic人口增长模型 141

8.2 Logistic人口预测模型的建立及实证分析 141

8.2.1 原始Logistic人口增长模型的建立 141

8.2.2 改进Logistic模型 143

8.2.3 实证对比分析 145

8.3 基于改进4参数Logistic模型的北京市人口预测 146

8.4 基于REPTree-Logistic模型的北京市人口预测 147

8.4.1 REPTree-Logistic模型的建立 147

8.4.2 实证分析 150

8.4.3 基于REPTree-Logistic模型的北京市人口预测 151

8.4.4 结果分析 152

8.5 两种基于复合知识挖掘的人口预测模型对比分析 153

8.6 本章小结 155

第9章 北京市人口调控对策与建议 156

9.1 北京市人口调控的挑战和难点 156

9.2 北京市人口调控对策与建议 157

9.2.1 经济领域调控对策与建议 157

9.2.2 首都功能方面调控对策与建议 159

9.2.3 人口政策方面调控对策与建议 161

9.2.4 社会环境领域调控对策与建议 161

9.2.5 城镇化进程方面调控对策与建议 162

9.2.6 其他调控对策与建议 162

9.3 本章小结 164

第10章 结论与展望 165

10.1 结论 165

10.2 研究不足与展望 168

参考文献 170