本書(shū)針對(duì)以往人口預(yù)測(cè)中僅考慮數(shù)量化影響因素的不足，以北京市為例，進(jìn)一步全面考慮對(duì)人口增長(zhǎng)有重要影響的定性類知識(shí)性影響因素，研究建立包含數(shù)據(jù)庫(kù)、文本庫(kù)、推理規(guī)則庫(kù)和經(jīng)驗(yàn)知識(shí)庫(kù)的復(fù)合知識(shí)庫(kù)。綜合調(diào)動(dòng)復(fù)合知識(shí)庫(kù)中的所有知識(shí)，用知識(shí)性因素動(dòng)態(tài)調(diào)整數(shù)量化因素在預(yù)測(cè)中產(chǎn)生的誤差，挖掘出與預(yù)測(cè)目標(biāo)高度相似的新的歷史數(shù)據(jù)作為輸入數(shù)據(jù)，從而形成一種基于復(fù)合知識(shí)挖掘的新的建模預(yù)處理技術(shù)；研究神經(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù)和決策樹(shù)嵌入神經(jīng)網(wǎng)絡(luò)技術(shù)，建立能同時(shí)處理定量和定性影響因素的基于復(fù)合知識(shí)挖掘的智能優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。在預(yù)測(cè)技術(shù)中，難題就是如何對(duì)定性類知識(shí)性因素進(jìn)行處理。而這類因素在促進(jìn)北京市人口膨脹中起到重要作用。將這類因素挖掘出來(lái)帶入預(yù)測(cè)模型，提高預(yù)測(cè)精度，在理論和實(shí)踐上具有重要意義。
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(guó)內(nèi)外研究現(xiàn)狀 3
1.3研究?jī)?nèi)容 5
1.4研究方法 6
1.5創(chuàng)新點(diǎn) 7
第2章 北京市人口增長(zhǎng)的特點(diǎn)及影響因素分析 9
2.1 北京市常住人口現(xiàn)狀分析 9
2.1.1常住人口的增長(zhǎng)趨勢(shì) 9
2.1.2常住人口的地區(qū)分布狀況 10
2.1.3常住人口的年齡構(gòu)成狀況 12
2.1.4常住人口的文化素質(zhì)特征 13
2.2 北京市人口增長(zhǎng)的特點(diǎn) 13
2.3 影響北京市人口增長(zhǎng)的因素分析 15
2.3.1影響常住人口自然增長(zhǎng)的因素分析 15
2.3.2影響常住人口機(jī)械增長(zhǎng)的因素分析 16
2.3.3因素分類 21
2.4 本章小結(jié) 22
第3章 人口預(yù)測(cè)模型概述 23
3.1 傳統(tǒng)的基于統(tǒng)計(jì)學(xué)原理的人口預(yù)測(cè)模型 23
3.1.1 指數(shù)模型 23
3.1.2 Logistic人口增長(zhǎng)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(dòng)平均模型 25
3.1.7 人口發(fā)展方程 25
3.1.8 比較分析 26
3.2創(chuàng)新型智能化人口預(yù)測(cè)模型 27
3.2.1 人工神經(jīng)網(wǎng)絡(luò)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(shí)證比較 32
3.4 人口預(yù)測(cè)模型的功能與特點(diǎn) 42
3.4.1 具有并行處理大量非線性數(shù)據(jù)的功能 42
3.4.2 具有自主學(xué)習(xí)、自我調(diào)整的功能 42
3.4.3 具有多指標(biāo)同時(shí)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(duì)性 43
3.5 我國(guó)人口預(yù)測(cè)模型現(xiàn)狀 43
3.5.1 應(yīng)用統(tǒng)計(jì)類預(yù)測(cè)模型對(duì)我國(guó)人口進(jìn)行預(yù)測(cè) 43
3.5.2 應(yīng)用創(chuàng)新型智能化預(yù)測(cè)模型進(jìn)行人口預(yù)測(cè) 44
3.6 我國(guó)人口預(yù)測(cè)模型中存在的問(wèn)題及其相應(yīng)對(duì)策 45
3.6.1 我國(guó)人口預(yù)測(cè)模型中存在的問(wèn)題 45
3.6.2 解決問(wèn)題的相應(yīng)對(duì)策 46
3.7 本章小結(jié) 47
第4章 基于生物進(jìn)化算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)人口預(yù)測(cè)模型分析與實(shí)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(diǎn) 50
4.1.4 建立遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)人口預(yù)測(cè)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(diǎn) 53
4.2.4 建立粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)人口預(yù)測(cè)模型 53
4.3 微分進(jìn)化算法 53
4.3.1 微分進(jìn)化算法概述 53
4.3.2 微分進(jìn)化算法的基本步驟 54
4.3.3 微分進(jìn)化算法的特點(diǎn) 54
4.3.4 建立微分進(jìn)化算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)人口預(yù)測(cè)模型 54
4.4 三種算法的比較分析 55
4.5 基于優(yōu)化算法的RBF神經(jīng)網(wǎng)絡(luò)人口預(yù)測(cè)實(shí)證分析 56
4.5.1 單一指標(biāo)預(yù)測(cè) 56
4.5.2 多指標(biāo)預(yù)測(cè) 57
4.6 本章小結(jié) 59
第5章 影響北京市人口增長(zhǎng)的數(shù)量化因素挖掘 60
5.1 數(shù)據(jù)挖掘 60
5.1.1 數(shù)據(jù)挖掘的概念 60
5.1.2 數(shù)據(jù)挖掘的步驟 60
5.1.3 數(shù)據(jù)挖掘方法 61
5.2 基于相關(guān)分析的數(shù)據(jù)挖掘 63
5.3 基于格蘭杰因果檢驗(yàn)的數(shù)據(jù)挖掘 64
5.4基于DE-RBF神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)挖掘 66
5.5 結(jié)果分析 69
5.6 本章小結(jié) 70
第6章 影響北京市人口增長(zhǎng)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(gòu)建影響北京市人口增長(zhǎng)的文本對(duì)象集 76
6.3文本預(yù)處理 76
6.3.1文本結(jié)構(gòu)化 76
6.3.2文本因素編碼 80
6.4 基于PF-Tree關(guān)聯(lián)規(guī)則算法的影響北京市人口數(shù)量的文本挖掘 81
6.4.1建立事務(wù)數(shù)據(jù)庫(kù) 81
6.4.2構(gòu)建FP-Tree 84
6.4.3數(shù)據(jù)分析與比較 85
6.5 文本因素評(píng)估 86
6.5.1文本預(yù)處理 86
6.5.2基于文本挖掘的北京市人口預(yù)測(cè) 87
6.6 本章小結(jié) 91
第7章 基于REPTree+DE-RBF模型的北京市人口預(yù)測(cè)分析 93
7.1 建立基于知識(shí)挖掘的REPTree+DE-RBF人口預(yù)測(cè)模型 93
7.2 實(shí)證分析 95
7.3基于REPTree-DERBF的北京市中長(zhǎng)期人口預(yù)測(cè) 97
7.3.1 情景分析法 97
7.3.2基于DE-RBF神經(jīng)網(wǎng)絡(luò)的北京市中長(zhǎng)期人口預(yù)測(cè) 98
7.3.3 基于REPTree-DERBF模型的北京市人口動(dòng)態(tài)預(yù)測(cè)分析 102
7.4 結(jié)果分析 107
7.5 本章小結(jié) 108
書(shū)單推薦
