基础教育发展趋势预测模型研究及应用

以基础教育发展为研究对象 ,在应用新增人口的离散预测模型基础上 ,分别建立了小学和初中招生数、分年级在校生规模、在校生总量、专任教师需求和补充规模的预测模型 ,并结合近几年山东省教育统计结果 ,给出了计算实例 .     

基于预测模型的我国人口结构问题研究

针对我国人口结构问题,在对相关人口数据进行收集、计算、整理并分析的基础上,通过建立总人口预测模型对2010-2014年人口数量预测,与原始人口数据对比进行模型验证和改进,运用此模型对之后6年人口数量预测,应用队列要素预测法找出相应政策对人口结构变化的影响,通过建立适婚群体预测模型对中国适婚入口中的男女数量定量分析,进而对我国人口结构问题进行整体概括总结.     

关于深圳人口和病床需求的预测

医疗床位需求主要取决于人口总量和结构,而人口总量依赖于产业经济结构和经济总量,人口结构依赖于非户籍人口和户籍政策。深圳市经济发展受产业结构、经济规模、人口密度、区域面积等因素限制,根据这一特点,首先基于Logistic规律建立了分产业预测模型,然后基于人口发展与生产总值的关联建立了常住人口预测模型,最后依据相关数据分别建立了人口结构、医疗病床需求相关模型。预测结果与当地规划目标比较,显示了结果的相对合理性,这在某种程度上验证了模型的正确性。     

2010年前我国普通高等师范院校毕业生需求的预测研究

本文采用人口统计学中的人口年龄移算模型,对2010年前中等学校的学龄人口进行预测;根据2010年前中等学校在校生的发展目标采用非线性回归地中等学校在校生数,教师需求数、减少数、增加数以及普通高等师范院校毕业生进行预测。得到的统计结论是：按照1996年4月国家教委制定的2010年高等学校在校生的发展目标,普通高等师范院校毕业生不能满足中等学校教师的需求。     

人口自适应回归预测模型与实证分析

本文以人口自身传递应和人口政策调节效应为理论假设,提出了兼顾两种效应的人口自适应回归预测模型。与一般的自回模型AR(n)相比,自适应回归预测模型能更好地描述、解释和预测人口的发展变化,是一种优化的回归预测模型。     

基于最小二乘法的灰色组合预测模型及其应用

根据GM(1,1)模型原理,构建了灰色增量模型和灰色组合预测模型.分别利用中国和河南1986-2015年的人口数据建立模型,采用最小二乘法求解灰色组合预测模型的最优权系数.通过GM(1,1)模型、灰色增量模型和灰色组合预测模型对上述算例进行误差分析,实验结果表明灰色组合预测模型预测精度明显的优于其它单项预测模型.     

基于一种改进Leslie人口预测模型的西安市人口预测与分析

考虑生育模式对人口发展的影响,建立一种改进的Leslie人口预测模型,并以西安市为例,探究不同生育模式下未来人口变化规律.通过分析人口预测结果,向当地政府在制定人口政策、应对人口问题等方面提出意见和建议.     

我国城乡人口模型动力学分析与预测

分析了马尔萨斯等经典人口模型的动力机制,建立了基于人口迁徙的城乡人口系统模型,利用系统动力学方法进行计算机迭代仿真;综合其他人口预测模型结果,认为我国人口增长日趋乏力,2025年将达到14.2亿左右的峰值、30年代中期会达到老龄人口高峰,潜在的人口城镇化率在71%左右,但接近期趋势预测,2030年前后即达到极限,且不会超过65%.     

阶层流动变化下的马尔科夫预测模型

针对总体内不同阶层随机流动的变化过程,分析了阶层结构的随机性质,利用马尔科夫方法建立了多次流动下阶层结构变化趋势的预测模型,并展示了模型应用的良好效果。研究结果为劳动力市场人才流动、城乡二元人口流动、社会经济阶层流动等问题的研究,提供了一种有效的思路和方法。     

基于六普数据的中国未来人口总量和结构变化趋势仿真分析

对第六次人口普查数据进行了简要分析,并在宋健人口预测模型的基础上,建立了一个系统动力学模型,利用"六普"数据,通过仿真模拟,预测出了我国未来人口总量和人口结构的变化趋势,指出到2035年左右,"人口红利"将会消失,从而为我国相关政策的制定奠定了理论基础.     

基于标准区间灰数的发展带离散DDGM预测模型

由于区间灰数运算体系尚不完善,灰数间的代数运算将导致结果灰度增加,难以有效构建基于"区间灰数"的灰色发展带预测模型.对此,通过将区间灰数进行标准化处理,分解成基于实数形式的"白部"和"灰部"两个部分;然后分别对"白部"和"灰部"建立发展带预测模型,再推导并还原得到区间灰数的发展带预测模型;最后,将模型用于摆动幅度大且整体趋势增长的区间灰数在未来时刻的预测,预测效果验证了所提出模型的有效性.     

组合GM(1,1)幂模型及其应用

GM(1,1)幂模型是灰色Verhulst模型的推广.由于初始条件选取影响GM(1,1)幂模型的精度,将平均相对误差函数分别看成是幂指数、发展系数、灰作用量的函数,利用蚁群算法进行参数辨识,从而建立多个单项GM(1,1)幂模型.利用这些单项模型建立了线性组合GM(1,1)幂模型,组合权系数利用最大相对误差最小化原则采用粒子群算法确定.实例表明,组合GM(1,1)幂模型的建模精度高于传统GM(1,1)幂模型,同时也说明方法是有效的和可行的,具有重要的理论意义.     

GPM(1,1,m)模型及其在中国能源消费预测中的应用

客观准确地预测能源消费,可以为政府制定社会经济发展政策提供重要参考.利用矩阵分析的思想研究了灰色预测模型的建模机理,提出了基于时间多项式的可拓形式GPM(1,1,m)模型,并分析了其理论意义.在此基础上,通过研究了时间多项式对模型参数和预测值的影响,推导了它们之间的定量关系,设计了实际建模中的优化方法和参数估计的一般形...     

基于系统冲击的灰色预测模型及其应用研究

针对系统受到系统外部冲击问题,结合泛函理论和灰色系统理论,建立了含有系统冲击泛函分析因子的灰色泛函预测模型。并运用贝叶斯网络推理技术,建立了系统冲击与系统控制的灰色贝叶斯网络推理预测模型。所建模型可以分析基于系统冲击演化的泛函分析因子的动态推演问题。依据泛函分析因子的变动,可以预测与修正系统发展趋势。案例分析了2013年房地产经济受到新政策的冲击问题。由于房地产经济受到新政策冲击,使经济发展态势发生转变。根据房地产经济的当前时段信息,利用灰色贝叶斯网络推理预测模型对历史趋势进行修正,预测结果与实际数值仅有3.81%的偏离,预测结果较其它现有模型的预测结果精确。灰色贝叶斯网络推理模型强调对近期数据的开发利用,适用于预测系统近期受到外部冲击的发展趋势问题。     

改进的灰色增量模型及其在哈市人口预测中的应用

人口预测是土地利用总体规划修编需要解决的重要问题.根据1991-2011年哈尔滨市人口发展的最新统计资料,建立了带有弱化算子的灰色增量模型,对2012-2030年哈市人口发展趋势进行预测研究,预测2030年哈市人口达到1111.81万人,且总人口增长率呈逐年下降的趋势.此外,通过与普通灰色增量模型进行了对比,反映了带有弱化算子的灰色增量模型预测更精确,更有益于区域土地利用总体规划的制定.     

基于三角模糊数序列的灰色预测模型

以GM(1,1)模型为代表的灰色预测模型是以精确数序列为基础,难以满足实际需要.为了使灰色模型适应于模糊数序列,具体给出了一种基于三角模糊数序列的建模方法,这种方法也可以实现对二元区间模糊数和梯形模糊数序列的建模.首先由三角模糊数序列得出三个含有等量信息的精确数序列:重心序列、隶属函数的覆盖面积序列和中界点序列,对这三个序列分别建模后,再导出原始三角模糊数序列的三个界点的预测模型.这种建模方法既保持了模糊数的整体性又提高了建模序列的光滑度,提高了预测精度.最后进行了多组随机三角模糊数序列的数据模拟,验证了模型的有效性.     

加权累加生成的GM(1,1)模型及其应用

根据灰色系统理论中的新信息优先原理知新信息对认知的作用大于老信息的作用,而传统的累加生成没有体现原始数据中新信息的重要性.针对这一问题提出了加权累加生成的概念,并对加权累加生成在单调性、灰指数规律、凸性等方面的性质进行了研究,得到加权累加生成序列具有单调递增性,具有较强的指数规律,并具有下凸性,然后建立了基于加权累加生成的GM(1,1)模型.通过具体算例的计算表明,加权累加生成的GM(1,1)模型的模拟和预测精度比传统的GM(1,1)模型模拟和预测精度高,从而说明了该法的有效性.     

基于粒子群算法的变权累加生成的GM(1,1)模型

根据灰色系统的新信息优先原理可知新信息对认知的作用大于旧信息的作用,而传统的累加生成没有体现原始数据中新信息的重要性.针对这一问题引入了变权累加生成的方法,并对变权累加生成在单调性、灰指数规律、凸性等方面的性质进行了研究,得到变权累加生成序列具有单调递增性,具有较强的指数规律,并具有下凸性,这些性质是高精度建模的保证,然后建立了基于变权累加生成的GM(1,1)模型,并运用粒子群算法确定了变权累加生成的权重.通过具体的算例计算表明,变权累加生成的GM(1,1)模型能够提高模型的模拟和预测精度.     

The novel fractional discrete multivariate grey system model and its applications

Fractional order accumulation is a novel and popular tool which is efficient to improve accuracy of the grey models. However, most existing grey models with fractional order accumulation are all developed on the conventional methodology of grey models, which may be inaccurate in the applications. In this paper an existing fractional multivariate grey model with convolution integral is proved to be a biased model, and then a novel fractional discrete multivariate grey model based on discrete modelling technique is proposed, which is proved to be an unbiased model with mathematical analysis and stochastic testing. An algorithm based on the Grey Wolf Optimizer is introduced to optimize the fractional order of the proposed model. Four real world case studies with updated data sets are executed to assess the effectiveness of the proposed model in comparison with nine existing multivariate grey models. The results show that the Grey Wolf Optimizer-based algorithm is very efficient to optimize the fractional order of the proposed model, and the proposed model outperforms other nine models in the all the real world case studies.