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。

　　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，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。

　　要想合理、有效地控制北京市人口增长速度，首先要对促进北京市人口增长的各种因素进行全面和深入的挖掘，只有挖掘到那些对北京市人口膨胀有重要影响的因素，才能做到有的放矢，针对影响因素进行调控，最终实现北京市“十二五”规划纲要中的“遏制人口快速增长”的目的。影响北京市人口增长的因素很多，很复杂，其中，有许多是定性的知识性文本类因素，比如城市化进程、经济增长速度、北京人口政策、环境因素，等等。恰恰是这类知识性文本类因素，对北京市人口增长起到重要影响作用，如果在预测中忽略这些因素，无论你用何种预测模型，都得不到好的预测结果。而预测理论发展到今天，面临的最大难题就是如何处理这类知识性文本因素。为了解决上述问题，本书研究运用智能化知识挖掘技术，通过对影响北京市人口增长的知识性文本类因素进行知识发现、知识分类、知识清洗、知识提取、知识预处理等工作，挖掘出对北京市人口膨胀有重要影响的知识性因素，希望能为北京市人口的有效调控提供重要参考。
　　……

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
3.1.2 Logistic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DE-RBF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PF-Tree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FP-Tree    84
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+DE-RBF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+DE-RBF人口预测模型    93
7.2 实证分析    95
7.3基于REPTree-DERBF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DE-RBF神经网络的北京市中长期人口预测    98
7.3.3 基于REPTree-DERBF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