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，优选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。

沈巍，女，1965年生，籍贯辽宁朝阳。博士，华北电力大学经济与管理学院副教授，研究方向为预测理论与方法、人口预测、股指预测和智能预测。
宋玉坤，男，1989年生，籍贯辽宁丹东。华北电力大学经济与管理学院硕士研究生，研究方向为智能预测、神经网络和数据挖掘。

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
3.1.2Logistic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FPTree84
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
8.1Logistic人口增长模型110
8.2Logistic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
8.4.1REPTreeLogistic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