基于复合知识挖掘的北京市人口膨胀趋势预测方法研究

前  言     1
目  录     I
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DERBF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PFTree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FPTree    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 DERBF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 DERBF人口预测模型 93
7.2 实证分析 95
7.3基于REPTreeDERBF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DERBF神经网络的北京市中长期人口预测       98
7.3.3 基于REPTreeDERBF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
第8章基于REPTreeLogistic模型的北京市人口预测        110
8.1 Logistic人口增长模型      110
8.2 Logistic人口预测模型的建立及实证分析      111
8.2.1 原始Logistic人口增长模型的建立    111
8.2.2 改进Logistic模型         112
8.3.3 实证对比分析       114
8.3 基于改进4参数Logistic模型的北京市人口预测        115
8.4 基于REPTreeLogistic模型的北京市人口预测      117
8.4.1 REPTreeLogistic模型的建立          117
8.4.2 实证分析       119
8.4.3 基于REPTreeLogistic模型的北京市人口预测   120
8.4.4 结果分析       121
8.5 两种基于复合知识挖掘的人口预测模型对比分析      121
8.6 本章小结 123
第9章北京市人口调控对策与建议   124
9.1 北京市人口调控的挑战和难点      124
9.2 北京市人口调控对策与建议 124
9.2.1 经济领域调控对策与建议  124
9.2.2 首都功能方面调控对策与建议  125
9.2.3人口政策方面调控对策与建议   127
9.2.4 社会环境领域调控对策与建议  127
9.2.5 城镇化进程方面调控对策与建议       128
9.2.6 其它调控对策与建议  128
9.4 本章小结 129
第10章结论与展望     130
10.1 结论        130
10.2 研究不足与展望   132
参考文献         133