本文關(guān)鍵詞：主成分分析和神經(jīng)網(wǎng)絡(luò)在消費(fèi)支出預(yù)測中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：伴隨我國經(jīng)濟(jì)的快速穩(wěn)健發(fā)展,消費(fèi)需求在拉動國家經(jīng)濟(jì)增速方面起到越來越大的作用,尤其是世界經(jīng)濟(jì)在近年增長緩慢的條件下,外貿(mào)在國民經(jīng)濟(jì)中的比重逐漸減小,消費(fèi)支出已經(jīng)成為拉動我國經(jīng)濟(jì)的主要動力,我國在制定促進(jìn)消費(fèi)的政策方面愈加重視,因此,研究我國居民的消費(fèi)支出特點(diǎn)可以為國家和地區(qū)的政策制定提供正確的參考,研究我國居民收入與支出的變化,可以為國家和地區(qū)制定更好的促進(jìn)消費(fèi)的政策。本文研究的主要內(nèi)容是全國31個(gè)省、市、自治區(qū)居民消費(fèi)方面的分析。本文的數(shù)據(jù)來源是《中國統(tǒng)計(jì)年鑒-2015》中涉及到分地區(qū)居民消費(fèi)方面相關(guān)的統(tǒng)計(jì)數(shù)據(jù)。本文主要完成了以下任務(wù)。本文通過使用神經(jīng)網(wǎng)絡(luò)算法,針對分地區(qū)居民消費(fèi)方面的相關(guān)數(shù)據(jù),來預(yù)測31個(gè)省、直轄市、自治區(qū)的人均消費(fèi)支出。在進(jìn)行神經(jīng)網(wǎng)絡(luò)算法之前,先將數(shù)據(jù)進(jìn)行主成分分析。將數(shù)據(jù)降維后,再進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測。主成分分析,也稱為主分量法。主成分分析算法是一種統(tǒng)計(jì)學(xué)算法,主成分分析算法將原始數(shù)據(jù)指標(biāo)變量進(jìn)行降維,從而將高維信息降到低維信息,簡化數(shù)據(jù)結(jié)構(gòu),同時(shí),主成分分析算法還能夠?qū)?shù)據(jù)信息進(jìn)行精簡,利用少數(shù)幾個(gè)主成分來替代原始數(shù)據(jù)的指標(biāo)變量。神經(jīng)網(wǎng)絡(luò)基于神經(jīng)元細(xì)胞的思想,神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理的單元。神經(jīng)網(wǎng)絡(luò)利用它獨(dú)特的特點(diǎn)達(dá)到學(xué)習(xí)和訓(xùn)練的目的,用于尋找到數(shù)據(jù)中潛在規(guī)律和關(guān)系。通過數(shù)據(jù)挖掘中的主成分分析算法和神經(jīng)網(wǎng)絡(luò)算法,利用主成分分析進(jìn)行降維,將數(shù)據(jù)信息簡化,然后得到主成分,將得到的主成分作為神經(jīng)網(wǎng)絡(luò)的輸入,從而實(shí)現(xiàn)更好的預(yù)測。本文的預(yù)測主要研究的是本年度的居民消費(fèi)相關(guān)指標(biāo)和來年人均消費(fèi)支出之間的關(guān)系。針對《中國統(tǒng)計(jì)年鑒-2015》中涉及到分地區(qū)居民消費(fèi)方面相關(guān)的統(tǒng)計(jì)數(shù)據(jù),主要包含農(nóng)村居民8項(xiàng)支出和城鎮(zhèn)居民8項(xiàng)支出等數(shù)據(jù),共計(jì)16個(gè)指標(biāo),根據(jù)本年度的16個(gè)消費(fèi)支出的指標(biāo)預(yù)測來年的消費(fèi)支出。在本文中,使用三種預(yù)測算法來實(shí)現(xiàn)預(yù)測。這三種方法分別是多元線性回歸算法、主成分回歸算法和本文的RBF神經(jīng)網(wǎng)絡(luò)算法。從2001年的數(shù)據(jù)到2012年的數(shù)據(jù)樣本作為構(gòu)建預(yù)測模型的樣本,將2013年的數(shù)據(jù)樣本作為測試樣本,用來預(yù)測2014年31個(gè)省、直轄市、自治區(qū)的消費(fèi)支出。通過線性回歸算法、主成分回歸算法和本文的RBF神經(jīng)網(wǎng)絡(luò)算法來實(shí)現(xiàn)預(yù)測,并將幾種預(yù)測結(jié)果進(jìn)行對比分析,發(fā)現(xiàn)本文的RBF神經(jīng)網(wǎng)絡(luò)算法效果較好。
【關(guān)鍵詞】：主成分分析 神經(jīng)網(wǎng)絡(luò) 中國統(tǒng)計(jì)年鑒 消費(fèi)支出
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F126.1;TP183
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-19
• 1.1 研究背景11
• 1.2 中國消費(fèi)現(xiàn)狀11-14
• 1.3 數(shù)據(jù)來源14-15
• 1.4 本文的主要工作15-16
• 1.5 選擇本文算法的理由和研究意義16-17
• 1.6 本文的主體框架17-18
• 1.7 本章小結(jié)18-19
• 第2章 本文理論工作19-32
• 2.1 主成分分析19-22
• 2.2 SPSS軟件22-24
• 2.3 神經(jīng)網(wǎng)絡(luò)24-29
• 2.4 MATLAB軟件29-31
• 2.5 本章小結(jié)31-32
• 第3章 主成分分析在人均消費(fèi)支出分析中的應(yīng)用32-39
• 3.1 本文數(shù)據(jù)32-33
• 3.2 主成分分析過程33-38
• 3.3 本章小結(jié)38-39
• 第4章 三種預(yù)測方法實(shí)現(xiàn)及結(jié)果分析39-47
• 4.1 本文要建立的預(yù)測模型39
• 4.2 線性回歸算法實(shí)現(xiàn)過程39-42
• 4.3 主成分回歸算法實(shí)現(xiàn)過程42-43
• 4.4 RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)過程43-45
• 4.5 幾種預(yù)測算法結(jié)果對比45-46
• 4.6 本章小結(jié)46-47
• 第5章 總結(jié)及展望47-49
• 5.1 全文總結(jié)47-48
• 5.2 展望48-49
• 參考文獻(xiàn)49-55
• 作者簡介及在學(xué)期間所取得的科研成果55-56
• 致謝56

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 龐丹波;李生寶;潘占兵;蔡進(jìn)軍;董立國;張?jiān)礉?王川;;基于主成分分析和隸屬函數(shù)的紫花苜蓿引種初步評價(jià)[J];西南農(nóng)業(yè)學(xué)報(bào);2015年06期

2 胡麗;陳斌;賴啟明;何振平;;BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)[J];計(jì)算技術(shù)與自動化;2015年04期

3 李新會;羅紅元;徐曉琴;申琦;林偉琦;;基于主成分分析和高斯混合模型的茶葉分類研究[J];鄭州大學(xué)學(xué)報(bào)(理學(xué)版);2015年04期

4 王翠云;胡學(xué)平;相旭東;;PM2.5影響因素的主成分回歸分析與預(yù)測[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2015年04期

5 劉青云;羅藝;段耀勇;;基于事故樹和主成分分析的消防隊(duì)滅火救援安全評價(jià)研究[J];廊坊師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2015年06期

6 胡震云;葉燕杰;陳志明;;基于量子免疫的RBF神經(jīng)網(wǎng)絡(luò)在上市公司財(cái)務(wù)預(yù)警中的應(yīng)用[J];河南科學(xué);2015年12期

7 肖美丹;陳銘洋;張惠軍;;基于主成分回歸分析的河南自主創(chuàng)新能力測度[J];河南科學(xué);2015年12期

8 彭欣怡;于國榮;張代青;;不同組合小波神經(jīng)網(wǎng)絡(luò)模型對徑流預(yù)測的適用性[J];人民長江;2015年24期

9 張莉芳;歷麗;;上市公司資金鏈斷裂風(fēng)險(xiǎn)預(yù)警比較研究——基于主成分和Logistic模型的分析[J];財(cái)會通訊;2015年36期

10 王迪;;基于FN空間神經(jīng)網(wǎng)絡(luò)二值圖像增強(qiáng)算法研究[J];工業(yè)控制計(jì)算機(jī);2015年12期

  本文關(guān)鍵詞：主成分分析和神經(jīng)網(wǎng)絡(luò)在消費(fèi)支出預(yù)測中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號：390119