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   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