摘要 | 第3-4页 |
Abstract | 第4页 |
1 引言 | 第8-12页 |
1.1 问题提出及选题的意义 | 第8页 |
1.2 国内外人口预测研究现状 | 第8-9页 |
1.3 论文的主要内容及创新 | 第9-12页 |
1.3.1 论文的主要内容 | 第9-10页 |
1.3.2 论文的创新点 | 第10-12页 |
2 基于Logistic人口增长模型的江西人口预测 | 第12-18页 |
2.1 Logistic人口增长模型概述 | 第12页 |
2.2 数据来源 | 第12-15页 |
2.3 模型验证情况及预测 | 第15-17页 |
2.4 本章小结 | 第17-18页 |
3 基于时间序列模型的江西人口预测 | 第18-34页 |
3.1 时间序列模型 | 第18-21页 |
3.1.1 时间序列模型系统概述 | 第18页 |
3.1.2 随机过程、平稳和非平稳序列、差分的概念 | 第18-19页 |
3.1.3 单位根检验 | 第19-20页 |
3.1.4 白噪声检验 | 第20-21页 |
3.1.5 BIC定阶 | 第21页 |
3.2 时间序列的基本模型 | 第21-23页 |
3.2.1 指数平滑模型 | 第21-22页 |
3.2.2 ARMA(p,q)模型 | 第22-23页 |
3.2.3 ARIMA(p,d,q)模型 | 第23页 |
3.3 ARIMA模型建立步骤 | 第23-25页 |
3.3.1 数据平稳性检验 | 第23-24页 |
3.3.2 对差分后的平稳数据进行ARMA拟合 | 第24页 |
3.3.3 参数检验 | 第24页 |
3.3.4 模型检验 | 第24页 |
3.3.5 模型预测 | 第24-25页 |
3.4 利用ARIMA模型对江西人口数据建模预测 | 第25-33页 |
3.4.2 人口数据平稳化处理 | 第27-29页 |
3.4.3 ARIMA(p,d,q)模型的建立与检验 | 第29-31页 |
3.4.4 对ARIMA(0,2,1)模型的验证 | 第31-32页 |
3.4.5 利用ARIMA (0,2,1)模型进行预测 | 第32-33页 |
3.5 本章小结 | 第33-34页 |
4 基于灰色系统理论的江西人口的预测 | 第34-42页 |
4.1 灰色系统理论系统概述 | 第34页 |
4.2 灰色系统理论系统简介 | 第34-40页 |
4.2.1 灰色关联分析 | 第34-36页 |
4.2.2 生成数 | 第36页 |
4.2.3 GM(1,N)模型 | 第36-38页 |
4.2.4 模型检验 | 第38-40页 |
4.3 基于GM(1,1)模型的江西人口预测 | 第40-42页 |
5 基于灰色GA-BP神经网络的江西人口预测 | 第42-60页 |
5.1 组合模型的引出 | 第42页 |
5.2 人工神经网络 | 第42-44页 |
5.2.1 发展史 | 第42-43页 |
5.2.2 基本特征 | 第43页 |
5.2.3 应用领域 | 第43-44页 |
5.2.4 人工神经网络的最近发展近况 | 第44页 |
5.3 BP神经网络算法 | 第44-49页 |
5.3.1 BP神经网络算法概述 | 第44-45页 |
5.3.2 BP神经网络算法的计算步骤 | 第45-48页 |
5.3.3 BP神经网络参数的设置 | 第48-49页 |
5.3.4 BP神经网络算法的优缺点 | 第49页 |
5.4 遗传算法 | 第49-52页 |
5.4.1 遗传算法概述 | 第49-50页 |
5.4.2 遗传算法的计算过程 | 第50-52页 |
5.5 遗传算法优化BP神经网络 | 第52-54页 |
5.6 灰色GA-BP神经网络模型的构建 | 第54-58页 |
5.6.1 模型构建原理 | 第54页 |
5.6.2 模型算法步骤 | 第54页 |
5.6.3 神经网络及遗传算法参数的设定 | 第54-55页 |
5.6.4 灰色GA-BP神经网络模型在江西人口预测中的应用 | 第55-58页 |
5.7 利用训练好的灰色GA-BP神经网络模型进行预测 | 第58-59页 |
5.8 本章小结 | 第59-60页 |
6 结论和展望 | 第60-62页 |
6.1 结论 | 第60页 |
6.2 展望 | 第60-62页 |
致谢 | 第62-63页 |
参考文献 | 第63-66页 |
附录A | 第66-67页 |
附录B | 第67-70页 |
附录C | 第70-72页 |
附录D | 第72-76页 |