| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 选题背景 | 第12-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.2.1 理论意义 | 第13页 |
| 1.2.2 现实意义 | 第13-14页 |
| 1.3 国内外文献综述 | 第14-20页 |
| 1.3.1 流动人口统计制度及发展动态 | 第14-15页 |
| 1.3.2 捕获再捕获抽样估计人口规模 | 第15-16页 |
| 1.3.3 流动人口规模估计 | 第16-20页 |
| 1.3.4 文献评述与本文的创新点 | 第20页 |
| 1.4 研究方法、思路与框架 | 第20-24页 |
| 1.4.1 研究方法 | 第20-21页 |
| 1.4.2 研究思路与框架 | 第21-24页 |
| 第2章 概念界定与模型原理 | 第24-37页 |
| 2.1 人口流动性与流动人口概念界定 | 第24-26页 |
| 2.2 机器学习算法原理 | 第26-32页 |
| 2.2.1 决策树算法 | 第26-28页 |
| 2.2.2 Bagging算法 | 第28页 |
| 2.2.3 随机森林算法 | 第28-29页 |
| 2.2.4 支持向量机算法 | 第29-30页 |
| 2.2.5 人工神经网络算法 | 第30-32页 |
| 2.3 捕获再捕获模型原理 | 第32-37页 |
| 第3章 数据处理及特征变量确定 | 第37-51页 |
| 3.1 数据处理 | 第37-38页 |
| 3.1.1 数据来源与描述 | 第37页 |
| 3.1.2 通话记录数据处理 | 第37-38页 |
| 3.2 特征变量构造 | 第38-42页 |
| 3.3 训练集和测试集选取 | 第42页 |
| 3.4 特征变量变换 | 第42-44页 |
| 3.5 特征变量选择 | 第44-51页 |
| 3.5.1 基于AUC值的随机森林变量选择原理 | 第45-46页 |
| 3.5.2 特征变量选择 | 第46-51页 |
| 第4章 基于机器学习方法的流动人口识别模型构建 | 第51-61页 |
| 4.1 模型设计 | 第51-56页 |
| 4.1.1 交叉验证 | 第52-53页 |
| 4.1.2 模型评价标准 | 第53-56页 |
| 4.2 模型评估与选择 | 第56-59页 |
| 4.3 模型预测结果分析 | 第59-61页 |
| 4.3.1 随机森林算法预测结果 | 第59页 |
| 4.3.2 随机森林模型预测结果分析 | 第59-61页 |
| 第5章 基于捕获再捕获抽样的人口流动性测度模型构建 | 第61-67页 |
| 5.1 模型设计 | 第61-63页 |
| 5.2 基于捕获再捕获抽样的流动人口规模测度实证分析 | 第63-65页 |
| 5.3 估计结果分析 | 第65-67页 |
| 第6章 结论和展望 | 第67-70页 |
| 6.1 结论 | 第67-68页 |
| 6.2 不足和展望 | 第68-70页 |
| 6.2.1 不足之处 | 第68页 |
| 6.2.2 流动人口统计制度展望 | 第68-70页 |
| 附录 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻读博/硕士学位期间发表的论文和其它科研情况 | 第77-79页 |