基于复合知识挖掘的北京市人口膨胀趋势预测方法研究-人文社科-文化科教-太极之巅书单号

书刊介绍

基于复合知识挖掘的北京市人口膨胀趋势预测方法研究内容简介

预测理论发展到今天，面临的*难题就是如何处理这类知识性文本因素。为了解决这种问题，本书研究运用智能化知识挖掘技术，通过对影响北京市人口增长的知识性文本类因素进行知识发现、知识分类、知识清洗、知识提取、知识预处理等工作，挖掘出对北京市人口膨胀有重要影响的知识性因素，希望能为北京市人口有效调控提供重要参考。

基于复合知识挖掘的北京市人口膨胀趋势预测方法研究本书特色

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，*大的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。

基于复合知识挖掘的北京市人口膨胀趋势预测方法研究目录

前言 1目录 i第1章绪论 11.1研究背景及意义 11.1.1 研究背景 11.1.2 研究意义 21.2国内外研究现状 31.3研究内容 51.4研究方法 61.5创新点 7第2章北京市人口增长的特点及影响因素分析 92.1 北京市常住人口现状分析 92.1.1常住人口的增长趋势 92.1.2常住人口的地区分布状况 102.1.3常住人口的年龄构成状况 122.1.4常住人口的文化素质特征 132.2 北京市人口增长的特点 132.3 影响北京市人口增长的因素分析 152.3.1影响常住人口自然增长的因素分析 152.3.2影响常住人口机械增长的因素分析 162.3.3因素分类 212.4 本章小结 22第3章人口预测模型概述 233.1 传统的基于统计学原理的人口预测模型 233.1.1 指数模型 233.1.2 logistic人口增长模型 233.1.3 马尔科夫链模型 243.1.4 凯菲茨矩阵模型 243.1.5 莱斯利矩阵 253.1.6 自回归滑动平均模型 253.1.7 人口发展方程 253.1.8 比较分析 263.2创新型智能化人口预测模型 273.2.1 人工神经网络模型 273.2.2 灰色模型 293.3 两类模型的比较 303.3.1 理论比较 303.3.2 实证比较 323.4 人口预测模型的功能与特点 423.4.1 具有并行处理大量非线性数据的功能 423.4.2 具有自主学习、自我调整的功能 423.4.3 具有多指标同时输入的功能 433.4.4 具有处理非量化文本因素的功能 433.4.5 具有针对性 433.5 我国人口预测模型现状 433.5.1 应用统计类预测模型对我国人口进行预测 433.5.2 应用创新型智能化预测模型进行人口预测 443.6 我国人口预测模型中存在的问题及其相应对策 453.6.1 我国人口预测模型中存在的问题 453.6.2 解决问题的相应对策 463.7 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 494.1 遗传算法 494.1.1 遗传算法概述 494.1.2 遗传算法的基本步骤 494.1.3 遗传算法的特点 504.1.4 建立遗传算法优化的神经网络人口预测模型 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骤 524.2.3 粒子群算法的特点 534.2.4 建立粒子群算法优化的神经网络人口预测模型 534.3 微分进化算法 534.3.1 微分进化算法概述 534.3.2 微分进化算法的基本步骤 544.3.3 微分进化算法的特点 544.3.4 建立微分进化算法优化的神经网络人口预测模型 544.4 三种算法的比较分析 554.5 基于优化算法的rbf神经网络人口预测实证分析 564.5.1 单一指标预测 564.5.2 多指标预测 574.6 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 605.1 数据挖掘 605.1.1 数据挖掘的概念 605.1.2 数据挖掘的步骤 605.1.3 数据挖掘方法 615.2 基于相关分析的数据挖掘 635.3 基于格兰杰因果检验的数据挖掘 645.4基于derbf神经网络模型的数据挖掘 665.5 结果分析 695.6 本章小结 70第6章影响北京市人口增长的文本因素挖掘 716.1 文本挖掘 716.1.1 文本挖掘的概念 716.1.2 文本挖掘的步骤 716.1.3 文本挖掘方法 726.2构建影响北京市人口增长的文本对象集 766.3文本预处理 766.3.1文本结构化 766.3.2文本因素编码 806.4 基于pftree关联规则算法的影响北京市人口数量的文本挖掘 816.4.1建立事务数据库 816.4.2构建fptree 846.4.3数据分析与比较 856.5 文本因素评估 866.5.1文本预处理 866.5.2基于文本挖掘的北京市人口预测 876.6 本章小结 91第7章基于reptree derbf模型的北京市人口预测分析 937.1 建立基于知识挖掘的reptree derbf人口预测模型 937.2 实证分析 957.3基于reptreederbf的北京市中长期人口预测 977.3.1 情景分析法 977.3.2基于derbf神经网络的北京市中长期人口预测 987.3.3 基于reptreederbf模型的北京市人口动态预测分析 1027.4 结果分析 1077.5 本章小结 108第8章基于reptreelogistic模型的北京市人口预测 1108.1 logistic人口增长模型 1108.2 logistic人口预测模型的建立及实证分析 1118.2.1 原始logistic人口增长模型的建立 1118.2.2 改进logistic模型 1128.3.3 实证对比分析 1148.3 基于改进4参数logistic模型的北京市人口预测 1158.4 基于reptreelogistic模型的北京市人口预测 1178.4.1 reptreelogistic模型的建立 1178.4.2 实证分析 1198.4.3 基于reptreelogistic模型的北京市人口预测 1208.4.4 结果分析 1218.5 两种基于复合知识挖掘的人口预测模型对比分析 1218.6 本章小结 123第9章北京市人口调控对策与建议 1249.1 北京市人口调控的挑战和难点 1249.2 北京市人口调控对策与建议 1249.2.1 经济领域调控对策与建议 1249.2.2 首都功能方面调控对策与建议 1259.2.3人口政策方面调控对策与建议 1279.2.4 社会环境领域调控对策与建议 1279.2.5 城镇化进程方面调控对策与建议 1289.2.6 其它调控对策与建议 1289.4 本章小结 129第10章结论与展望 13010.1 结论 13010.2 研究不足与展望 132参考文献 133