發(fā)布時間：2017-05-24 07:53

  本文關鍵詞：主成分分析和神經(jīng)網(wǎng)絡在消費支出預測中的應用，由筆耕文化傳播整理發(fā)布。

【摘要】：伴隨我國經(jīng)濟的快速穩(wěn)健發(fā)展,消費需求在拉動國家經(jīng)濟增速方面起到越來越大的作用,尤其是世界經(jīng)濟在近年增長緩慢的條件下,外貿在國民經(jīng)濟中的比重逐漸減小,消費支出已經(jīng)成為拉動我國經(jīng)濟的主要動力,我國在制定促進消費的政策方面愈加重視,因此,研究我國居民的消費支出特點可以為國家和地區(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)制定更好的促進消費的政策。本文研究的主要內容是全國31個省、市、自治區(qū)居民消費方面的分析。本文的數(shù)據(jù)來源是《中國統(tǒng)計年鑒-2015》中涉及到分地區(qū)居民消費方面相關的統(tǒng)計數(shù)據(jù)。本文主要完成了以下任務。本文通過使用神經(jīng)網(wǎng)絡算法,針對分地區(qū)居民消費方面的相關數(shù)據(jù),來預測31個省、直轄市、自治區(qū)的人均消費支出。在進行神經(jīng)網(wǎng)絡算法之前,先將數(shù)據(jù)進行主成分分析。將數(shù)據(jù)降維后,再進行神經(jīng)網(wǎng)絡預測。主成分分析,也稱為主分量法。主成分分析算法是一種統(tǒng)計學算法,主成分分析算法將原始數(shù)據(jù)指標變量進行降維,從而將高維信息降到低維信息,簡化數(shù)據(jù)結構,同時,主成分分析算法還能夠將數(shù)據(jù)信息進行精簡,利用少數(shù)幾個主成分來替代原始數(shù)據(jù)的指標變量。神經(jīng)網(wǎng)絡基于神經(jīng)元細胞的思想,神經(jīng)元是神經(jīng)網(wǎng)絡的基本處理的單元。神經(jīng)網(wǎng)絡利用它獨特的特點達到學習和訓練的目的,用于尋找到數(shù)據(jù)中潛在規(guī)律和關系。通過數(shù)據(jù)挖掘中的主成分分析算法和神經(jīng)網(wǎng)絡算法,利用主成分分析進行降維,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)絡的輸入,從而實現(xiàn)更好的預測。本文的預測主要研究的是本年度的居民消費相關指標和來年人均消費支出之間的關系。針對《中國統(tǒng)計年鑒-2015》中涉及到分地區(qū)居民消費方面相關的統(tǒng)計數(shù)據(jù),主要包含農(nóng)村居民8項支出和城鎮(zhèn)居民8項支出等數(shù)據(jù),共計16個指標,根據(jù)本年度的16個消費支出的指標預測來年的消費支出。在本文中,使用三種預測算法來實現(xiàn)預測。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)絡算法。從2001年的數(shù)據(jù)到2012年的數(shù)據(jù)樣本作為構建預測模型的樣本,將2013年的數(shù)據(jù)樣本作為測試樣本,用來預測2014年31個省、直轄市、自治區(qū)的消費支出。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)絡算法來實現(xiàn)預測,并將幾種預測結果進行對比分析,發(fā)現(xiàn)本文的RBF神經(jīng)網(wǎng)絡算法效果較好。
【關鍵詞】：主成分分析 神經(jīng)網(wǎng)絡 中國統(tǒng)計年鑒 消費支出
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：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24-29
• 2.4 MATLAB軟件29-31
• 2.5 本章小結31-32
• 第3章 主成分分析在人均消費支出分析中的應用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38-39
• 第4章 三種預測方法實現(xiàn)及結果分析39-47
• 4.1 本文要建立的預測模型39
• 4.2 線性回歸算法實現(xiàn)過程39-42
• 4.3 主成分回歸算法實現(xiàn)過程42-43
• 4.4 RBF神經(jīng)網(wǎng)絡實現(xiàn)過程43-45
• 4.5 幾種預測算法結果對比45-46
• 4.6 本章小結46-47
• 第5章 總結及展望47-49
• 5.1 全文總結47-48
• 5.2 展望48-49
• 參考文獻49-55
• 作者簡介及在學期間所取得的科研成果55-56
• 致謝56

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 龐丹波;李生寶;潘占兵;蔡進軍;董立國;張源潤;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[J];西南農(nóng)業(yè)學報;2015年06期

2 胡麗;陳斌;賴啟明;何振平;;BP神經(jīng)網(wǎng)絡的改進[J];計算技術與自動化;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];鄭州大學學報(理學版);2015年04期

4 王翠云;胡學平;相旭東;;PM2.5影響因素的主成分回歸分析與預測[J];安慶師范學院學報(自然科學版);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滅火救援安全評價研究[J];廊坊師范學院學報(自然科學版);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)絡在上市公司財務預警中的應用[J];河南科學;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;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)絡模型對徑流預測的適用性[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險預警比較研究——基于主成分和Logistic模型的分析[J];財會通訊;2015年36期

10 王迪;;基于FN空間神經(jīng)網(wǎng)絡二值圖像增強算法研究[J];工業(yè)控制計算機;2015年12期

  本文關鍵詞：主成分分析和神經(jīng)網(wǎng)絡在消費支出預測中的應用，由筆耕文化傳播整理發(fā)布。

，

本文編號：390119