| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题来源及研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 数据挖掘研究现状 | 第10-12页 |
| 1.2.2 社保数据挖掘研究现状 | 第12-13页 |
| 1.3 本课题研究的内容 | 第13-14页 |
| 1.4 论文的章节安排 | 第14-16页 |
| 2 数据挖掘及预测算法研究 | 第16-26页 |
| 2.1 灰色Verhulst算法 | 第16-18页 |
| 2.2 BP神经网络算法 | 第18-21页 |
| 2.3 粒子群优化算法 | 第21-22页 |
| 2.4 随机森林分类算法 | 第22-24页 |
| 2.5 本章小结 | 第24-26页 |
| 3 基于粒子群优化的灰色神经网络预测算法在养老保险基金预测中的研究与应用 | 第26-38页 |
| 3.1 基于粒子群优化的灰色Verhulst-BP神经网络算法 | 第26-31页 |
| 3.1.1 基于粒子群优化的BP神经网络算法 | 第26-28页 |
| 3.1.2 基于粒子群优化的灰色Verhulst-BP神经网络算法 | 第28-29页 |
| 3.1.3 基于粒子群优化的灰色Verhulst-BP神经网络算法有效性验证 | 第29-31页 |
| 3.2 养老保险基金收支数据介绍 | 第31-32页 |
| 3.3 实验流程 | 第32-34页 |
| 3.4 实验结果分析 | 第34-36页 |
| 3.5 本章小结 | 第36-38页 |
| 4 随机森林分类算法在企业不稳定预测中模型构建 | 第38-50页 |
| 4.1 模型评价 | 第38-40页 |
| 4.2 分类算法模型的对比 | 第40-47页 |
| 4.2.1 决策树分类算法 | 第42-43页 |
| 4.2.2 BP神经网络分类算法 | 第43-45页 |
| 4.2.3 随机森林分类算法 | 第45-47页 |
| 4.3 随机森林分类算法在企业不稳定预测中模型构建 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 企业不稳定分析预测平台搭建及可视化展示 | 第50-76页 |
| 5.1 企业不稳定分析预测平台简介 | 第50-52页 |
| 5.1.1 企业不稳定分析预测平台开发运行环境 | 第50-51页 |
| 5.1.2 企业不稳定分析预测平台开发技术 | 第51页 |
| 5.1.3 企业不稳定分析预测平台的主要功能 | 第51-52页 |
| 5.2 社会保险基金中企业数据介绍 | 第52-58页 |
| 5.3 数据预处理 | 第58-69页 |
| 5.3.1 企业工资发放信息 | 第60-62页 |
| 5.3.2 企业财务信息 | 第62-64页 |
| 5.3.3 企业投诉信息 | 第64-65页 |
| 5.3.4 企业信用信息 | 第65-66页 |
| 5.3.5 企业用工信息 | 第66-69页 |
| 5.4 企业不稳定分析预测流程 | 第69-70页 |
| 5.5 企业不稳定分析预测结果分析 | 第70-71页 |
| 5.6 企业不稳定分析可视化展示 | 第71-75页 |
| 5.7 本章小结 | 第75-76页 |
| 6 结论 | 第76-80页 |
| 6.1 本文研究的主要内容 | 第76-77页 |
| 6.2 进一步研究展望 | 第77-80页 |
| 参考文献 | 第80-84页 |
| 作者简介 | 第84-87页 |
