数据分享|R语言武汉流动人口趋势预测：灰色模型GM（1，1）、ARIMA时间序列、logistic逻辑回归模型...

全文链接：http://tecdat.cn/?p=32496

人口流动与迁移，作为人类产生以来就存在的一种社会现象，伴随着人类文明的不断进步从未间断（点击文末“阅读原文”获取完整代码数据）。

相关视频

人力资源是社会文明进步、人民富裕幸福、国家繁荣昌盛的核心推动力量。当前，我国经济正处于从以政府主导的投资驱动型的经济“旧常态”向以市场需求为主导的经济“新常态”转型过渡期。

本文帮助客户综合运用R语言灰色预测模型和logistic逻辑回归模型，以及综合运用ARIMA模型和logistic模型，得到武汉市外省流入人口规模（查看文末了解数据免费获取方式）的预测。

文献回顾

国内关于流动人口的定量预测模型有很多,如马尔萨斯模型[1]、马尔可夫链模型[2]、指数平滑预测模型[3]、宋健模型、BP神经网络模型、单变量的双曲模型[4]、系统动力学模型、Leslie人口预测模型[5]、年龄移算法[6-8]以及CPPS 软件预测等。然而,在经济学和管理学范畴内﹐最为主要的有三种,分别是:

第一,灰色预测模型。1982年,我国学者邓聚龙教授创立了灰色系统理论﹐灰色系统理论的研究对象是“部分信息已知,部分信息未知”的“小样本”、“贫信息”不确定性系统。GM(1,1)模型是最常用的一种灰色模型,由一个只含单变量的一阶微分方程构成的模型。国内不少学者运用灰色预测模型对我国总人口规模的发展趋势进行预测[9-11]。还有一部分学者从区域发展的角度出发,构建了一系列城市人口或区域流动人口的灰色预测模型[12一14]。为了减少预测的误差,学者们进一步修正了GM(1,1)灰色预测模型，构建了“等维灰数递补动态预测”模型对人口进行定量预测[15] 。

第二,Logistic曲线模型。Logistic曲线呈S形，称为生长曲线。Logistic方程最早由比利时数学家P. F. Verhult于1838年提出。但长期埋没﹐直到20世纪20年代被生物学家与人口统计学家R.Pearl和L.J. Reed重新发现。经不断完善和发展，现广泛用于人口和商业分析中。我国学者多运用Logistic模型预测我国某地区的人口数量、流动人口规模等[16—20]

第三,时间序列模型。时间序列分析方法是伯克斯和詹金斯(Box-Jenkins)1976年提出的。

数据来源与处理

将武汉市外省流入人口的时间序列记为｛Ｙｔ｝。

e6229128572f967c840f793a60e2ce34.png

武汉市外来流入人口数据表

6b4077e95302e9138709f46808bf1e11.png

点击标题查阅往期内容

428e2113e3b37ec2645ec2dd1a1b6634.png

R语言用logistic逻辑回归和AFRIMA、ARIMA时间序列模型预测世界人口

outside_default.png

左右滑动查看更多

outside_default.png

01

ddf0e910821ed9bc6095b88545c8c180.png

02

a77ecd5bd1ea4adbbdd40c3f3c533101.png

03

6771280e33146745b36d911a4f03572d.png

04

be8fba8bb5bacfaaf0692bb8b1465bb8.png

ARIMA模型

为降低原始数据随机波动的影响，先要对原始数据进行平滑处理，本文采用常用的三点移动平均法。计算公式如下：

7a0d6b680ec166fe48140ed139ba1840.png

首端点数据进行移动平均时，Ｙｔ－１取Ｙｔ，末端点数据进行移动平均时，Ｙｔ＋１取Ｙｔ。

另外，由于取对数，不会改变数据的性质和关系，且得到的数据易消除异方差。

acf(dy)

5e9e4640a2814bc4c9b7fb0631357017.png

a23f4511f5cf43cdf2d7d50b79487894.png

然后用自相关图检查序列的平稳性，最后发现一阶差分后的序列是平稳的。 
下面对平稳性序列 建立 模型 ,偏相关系数在滞后1期后很快地趋向于0，所以取p=1 ,自相关系数图形具有拖尾性，所以初步判断为ar(1)模型。

参数估计

arima(dy,order=c(p,0,q) )
which.min(aiclist$AIC)

尝试不同的p和q的值，得出最优AIC的模型。

从AIC的结果来看，arima(2,1,1)模型拥有最小的AIC值，因此为最优模型，因此将arima(2,1,1)模型作为最优模型。

对残差序列进行白噪声检验，通常考虑残差序列的随机性，即用伯克斯.皮尔斯 提出的I统计量进行检验，用修正的I统计量：

Box.test(model$residuals,type="Ljung")

5a06e7e2027d353925ee29b3bdb414fd.png

在这里X-squared的值就是0.21927，概率值为0.6396,说明拒绝原假设。
犯第一类错误的概率为0.6396，这说明残差序列相互独立即为白噪声序列的概率很大，故不能拒绝残差序列是一个白噪声序列，检验通过。

单位根平稳性检验 检验

bee4f6d8c7a0ebab8ec0f114f391bb05.png

建立arima模型进行比较

8ebdb0bf75804e5ce6e8762357cb56bc.png

ARIMA模型预测

pred=predict(model, 15)$pred

绘制预测序列时间图

plot( pred,type="b" ,main="ARIMA模型预测")

182d365a87b69a9ce31abfb707b74a93.png

而arima模型预测的数据开始波动较大，到后面有逐渐平稳的趋势。

建立灰色模型GM（1，1）对应的函数

GM11<-function(x0,t,x){     #x0为输入训练数据序列列，t为预测个数,x为原始数据（训练数据+测试集）  x1<-cumsum(x0) #一次累加生成序列1-AG0序列  b<-numeric(length(x0)-1)  n<-length(x0)-1  for(i in 1:n){ #生成x1的紧邻均值生成序列  b[i]<--(x1[i]+x1[i+1])/2  b} #得序列b，即为x1的紧邻均值生成序列  D<-numeric(length(x0)-1)  D[]<-1  B<-cbind(b,D)  BT<-t(B)#做逆矩阵

计算相对误差

e2<-numeric(length(x0))  for(s in 1:length(x0)){  e2[s]<-(abs(e[s])/x0[s]) #得相对误差  }  cat("相对残差：",'\n',e2,'\n','\n')  cat("残差平方和=",sum(e^2),'\n')  cat("平均相对误差=",sum(e2)/(length(e2)-1)*100,"%",'\n')  cat("相对精度=",(1-(sum(e2)/(length(e2)-1)))*100,"%",'\n','\n')

后验差比值检验

avge<-mean(abs(e));esum<-sum((abs(e)-avge)^2);evar=esum/(length(e)-1);se=sqrt(evar)  #计算残差的方差

画出输入序列x0的预测序列及x0的比较图像

plot(xy,col='blue',type='b',pch=16,xlab='时间序列',ylab='值')  points(x,col='red',type='b',pch=4)

拟合模型

GM11(train,length(mynx),mynx)

e230256fc585fffd1242fe1a1cfe577b.png

ad981a4f538b3e78a2499a1338b97b11.png

预测15年的人口数

GM11(train,length(myn

cf93c90ef3ca34e54556bbf70aa3575d.png

6fe64c9cba27d7254ea9a0b75b3f3d6d.png

logistic逻辑回归模型

glm(as.numeric(yy[1:lengt

72c8925540d8dcb0ad7481531b84d18b.png

预测

predict(model,newd

557fdcfb15dd8a2536aec12531787423.png

参考文献

［１］林泽楷，许梦瑶，陈以丙．人口预测模型的优化［Ｊ］．科技致 富向导，２０１１（８）：８９－８９．

［２］昝欣，宗鹏，吴祈宗．马尔可夫链在高校教师人才流动预测 中的应用［Ｊ］．科技进步与对策，２００７，２４（１）：１８５－１８７．

［３］涂雄苓，徐海云．ＡＲｌＭＡ与指数平滑法在我国人口预测中的 比较研究［Ｊ］．统计与决策，２００９（１６）：２１－２３．

［４］杨辉．上海市流动人口发展趋势与预测［Ｊ］．人口学刊，１９９５ （２）：３１－３４．

［５］冯守平．中国人口发展预测模型的构建与应用［Ｊ］．统计与 决策，２０１０（１５）：２４－２７．

［６］胡启迪，杨庆中，桂世勋，等．上海市区人口迁移预测模型的 研究［Ｊ］．人口与经济，１９８６（１）：１７－２２．

［７］周德禄．经济技术开发区人口变动预测实证研究———以青 岛经济技术开发区为例［Ｊ］．东岳论丛，２００６，２７（５）：６０－６３．

［８］路锦非，王桂新．我国未来城镇人口规模及人口结构变动预 测［Ｊ］．西北人口，２０１０（４）：１－６．

［９］郝永红，王学萌．灰色动态模型及其在人口预测中的应用 ［Ｊ］．数学的实践与认识，２００２，３２（５）：８１３－８２０．

［１０］周诗国．我国人口的灰色预测模型研究及其应用［Ｊ］．数理 医药学杂志，２００５，１８（４）：３０７－３０９．

［１１］陈作清，李远平，吴霞，等．基于灰色预测的我国人口预测 模型分析［Ｊ］．中南民族大学学报：自然科学版，２００８，２７ （１）：１１１－１１４．

［１２］周瑞平．ＧＭ（１，１）模型灰色预测法预测城市人口规模［Ｊ］． 内蒙古师范大学学报：自然科学版，２００５，３４（１）：８１－８３．

［１３］郑元世，张启敏．银川市人口的灰色预测［Ｊ］．辽宁工学院 学报，２００８，２７（５）：３４６－３５０．

［１４］李群，董守义，孙立成，等．我国高层次人才发展预测与对 策［Ｊ］．系统工程理论与实践，２００８，２８（２）：１２５－１３０．

［１５］李晓梅．城市流动人口预测模型探讨［Ｊ］．南京人口管理干 部学院学报，２００６，２２（４）：２６－２９．

［１６］亓昕．北京未来流动人口预测方法探讨及发展趋势［Ｊ］．人 口与经济，１９９９（３）：５２－５６．

［１７］武萍，陶静．沈阳市流动人口预测与分析［Ｊ］．锦州师范学 院学报：自然科学版，２００１，２２（３）：６９－７１．

［１８］李振福．长春市城市人口的Ｌｏｇｉｓｔｉｃ模型预测［Ｊ］．吉林师 范大学学报：自然科学版，２００３（１）：１６－１９．

数据获取

在公众号后台回复“人口数据”，可免费获取完整数据。

9b2029c7f504545a6eda1400b3124dc5.jpeg

本文中分析的数据分享到会员群，扫描下面二维码即可加群！

2c360e824fcbe9d1841644f9ca4fa236.png

a52e63afc003d52132ac45ee3a974fe2.png

点击文末“阅读原文”

获取全文完整代码数据资料。

本文选自《R语言武汉流动人口趋势预测：灰色模型GM（1，1）、ARIMA时间序列、logistic逻辑回归模型》。

92935e7463c3bbecd822b5d49a6229b0.jpeg

8aa0797a1f277fe15395f2c057dfafa6.png

点击标题查阅往期内容

R语言时间序列：ARIMA / GARCH模型的交易策略在外汇市场预测应用

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言用Garch模型和回归模型对股票价格分析

R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

R语言ARMA GARCH COPULA模型拟合股票收益率时间序列和模拟可视化

ARMA-GARCH-COPULA模型和金融时间序列案例

时间序列分析：ARIMA GARCH模型分析股票价格数据

GJR-GARCH和GARCH波动率预测普尔指数时间序列和Mincer Zarnowitz回归、DM检验、JB检验

【视频】时间序列分析：ARIMA-ARCH / GARCH模型分析股票价格

时间序列GARCH模型分析股市波动率

PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化

极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析

Garch波动率预测的区制转移交易策略

金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据

R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化

Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测

R语言GARCH-DCC模型和DCC（MVT）建模估计

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测

R语言时间序列GARCH模型分析股市波动率

R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测

使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模

R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析

R语言多元Copula GARCH 模型时间序列预测

R语言使用多元AR-GARCH模型衡量市场风险

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言用Garch模型和回归模型对股票价格分析

GARCH（1,1），MA以及历史模拟法的VaR比较

matlab估计arma garch 条件均值和方差模型

R语言POT超阈值模型和极值理论EVT分析

3ef74a5c9959a36342c25501d153e27e.png

f541d4ccacac3f1f0cfca1a635b91f41.jpeg

14edf38aaeda00667d08d359119760bf.png

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/133487.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

pytorch生成CAM热力图-单张图像

pytorch生成CAM热力图-单张图像

利用ImageNet预训练模型生成CAM热力图-单张图像 一、环境搭建二、主要代码三、结果展示 代码和图片等资源均来源于哔哩哔哩up主&#xff1a;同济子豪兄 讲解视频&#xff1a;CAM可解释性分析-算法讲解 一、环境搭建 1&#xff0c;安装所需的包 pip install numpy pandas mat…
阅读更多...
基于MediaPipe的人体摔倒检测

基于MediaPipe的人体摔倒检测

1 简介 1.1 研究背景及意义 现如今随着经济等各方面飞速发展&#xff0c;社会安全随之也成为必不可少的话题。而校园安全则是社会安全的重中之重&#xff0c;而在我们的校园中&#xff0c;湿滑的地面、楼梯等位置通常会发生摔倒&#xff0c;尽管有“小心脚下”的告示牌&#xf…
阅读更多...
栈与队列经典题目——用队列实现栈

栈与队列经典题目——用队列实现栈

本篇文章讲解栈和队列这一部分知识点的经典题目&#xff1a;用栈实现队列、用队列实现栈。对应的题号分别为&#xff1a;Leetcode.225——用队列实现栈&#xff0c;。 在对两个题目进行解释之前&#xff0c;先回顾以下栈和队列的特点与不同&#xff1a; 栈是一种特殊的线性表…
阅读更多...
如何隐藏Selenium特征实现自动化网页采集

如何隐藏Selenium特征实现自动化网页采集

Selenium是一个流行的自动化网页测试工具&#xff0c;可以通过模拟用户在Chrome浏览器中的操作来完成网站的测试。然而&#xff0c;有些网站会检测浏览器是否由Selenium驱动&#xff0c;如果是&#xff0c;就会返回错误的结果或拒绝访问。为了避免这种情况&#xff0c;我们需要…
阅读更多...
网络安全进阶学习第十六课——业务逻辑漏洞介绍

网络安全进阶学习第十六课——业务逻辑漏洞介绍

文章目录 一、什么是业务逻辑二、业务逻辑漏洞的成因三、逻辑漏洞的重要性四、业务逻辑漏洞分类五、业务逻辑漏洞——业务授权安全1、未授权访问2、越权访问1) 平行越权&#xff08;水平越权是指相同权限的不同用户可以互相访问&#xff09;2) 垂直越权&#xff08;垂直越权是指…
阅读更多...
蓝桥杯 题库 简单 每日十题 day1

蓝桥杯 题库 简单 每日十题 day1

01 空间 本题为填空题&#xff0c;只需要算出结果后&#xff0c;在代码中使用输出语句将所填结果输出即可。 小蓝准备用 256MB 的内存空间开一个数组&#xff0c;数组的每个元素都是 32 位 二进制整数&#xff0c;如果不考虑程序占用的空间和维护内存需要的辅助空间&#xff…
阅读更多...
免费开箱即用微鳄OA办公系统

免费开箱即用微鳄OA办公系统

编者按&#xff1a;本文介绍基于天翎低代码平台实现的微鳄OA办公系统功能&#xff0c;免费开箱即用。支持私有化部署&#xff0c;同时提供天翎开发后台&#xff0c;企业可按需求可灵活调整配置。 OA办公系统可以提高企业的效率、降低成本、增强管理能力和灵活性&#xff0c;同时…
阅读更多...
华为云云耀云服务器L实例评测｜华为云云耀云服务器L实例开展性能评测

华为云云耀云服务器L实例评测｜华为云云耀云服务器L实例开展性能评测

作者简介&#xff1a; 辭七七&#xff0c;目前大二&#xff0c;正在学习C/C&#xff0c;Java&#xff0c;Python等 作者主页&#xff1a; 七七的个人主页 文章收录专栏&#xff1a; 七七的闲谈 欢迎大家点赞 &#x1f44d; 收藏 ⭐ 加关注哦&#xff01;&#x1f496;&#x1f…
阅读更多...
element-ui tree组件实现在线增删改

element-ui tree组件实现在线增删改

这里要实现一个tree 增删改 <!--oracle巡检项--> <template><div class"oracle_instanceType"><el-row type"flex" align"middle" justify"space-between"><iclass"el-icon-s-fold iBox"click&q…
阅读更多...
笔记1.1 计算机网络基本概念

笔记1.1 计算机网络基本概念

计算机网络是通信技术与计算机技术紧密结合的产物 通信系统模型&#xff1a; 计算机网络是一种通信网络 计算机网络是互连的、自洽的计算机集合。 互连&#xff1a;互联互通 自洽&#xff1a;无主从关系 通过交换网络互连主机 Internet&#xff1a;数以百万计的互连的计算设…
阅读更多...
webpack-cl明明已经安装了，但是还是会报未安装

webpack-cl明明已经安装了，但是还是会报未安装

解决办法&#xff1a;对当前项目目录进行安装 npm install webpack webpack-cli --save-dev
阅读更多...
腾讯mini项目-【指标监控服务重构】2023-08-06

腾讯mini项目-【指标监控服务重构】2023-08-06

今日已办 feature/client_traces_profile 修改 consumer 4个阶段的 spankind将 profile 的 span 作为 root span&#xff0c;保持与 venus 的 follows from 的 link feature/profile-otelclient-metric 将 metric 部分使用新分支 push go.opentelemetry.io/otel/propagatio…
阅读更多...
记一次在amd架构打包arm64架构的镜像的试错经历

记一次在amd架构打包arm64架构的镜像的试错经历

前提 在amd架构打包了一个镜像&#xff0c;放在arm64架构服务器上可以load ,但是run的时候报平台不兼容的问题。 运行如下命令查看发现 架构属于 amd64 如下&#xff1a; docker inspect 镜像ID需要生成一个arm的镜像才能运行。 尝试 首先Dockerfile 的FROM 基础镜像就的是…
阅读更多...
I/O多路复用三种实现

I/O多路复用三种实现

一.select 实现 &#xff08;1&#xff09;select流程 基本流程是&#xff1a; 1. 先构造一张有关文件描述符的表; fd_set readfds 2. 清空表 FD_ZERO() 3. 将你关心的文件描述符加入到这…
阅读更多...
LeetCode-热题100-笔记-day29

LeetCode-热题100-笔记-day29

199. 二叉树的右视图https://leetcode.cn/problems/binary-tree-right-side-view/ 给定一个二叉树的 根节点 root&#xff0c;想象自己站在它的右侧&#xff0c;按照从顶部到底部的顺序&#xff0c;返回从右侧所能看到的节点值。 示例 1: 输入: [1,2,3,null,5,null,4] 输出: [1…
阅读更多...
OpenGL ES视频特效开发参考Shadertoy参数详解参考Godot文档

OpenGL ES视频特效开发参考Shadertoy参数详解参考Godot文档

今天一个大厂的学员过来问shadertoy上一些参数的问题&#xff0c;因为我之前用过一段时间Godot引擎&#xff0c; 我清晰记得Godot官方文档有明确的解释&#xff0c;所以整理下发给做特效的同学。 Shadertoy是一个网站&#xff0c;它方便用户编写片段着色器并创造出纯粹的魔法。…
阅读更多...
网站排名下降的原因和解决方法（SEO优化失误可能导致网站排名下降）

网站排名下降的原因和解决方法（SEO优化失误可能导致网站排名下降）

SEO优化是网站推广的重要环节&#xff0c;它可以提升网站的访问量和排名。但是&#xff0c;SEO优化不当也可能会导致网站排名下降。本文将分析SEO优化失误可能导致网站排名下降的原因&#xff0c;并提供相应的解决方法。 一&#xff1a;标题——SEO优化过度 SEO优化的目的是为…
阅读更多...
数据结构与算法--排序算法复习

数据结构与算法--排序算法复习

目录 1.三种常见的简单排序&#xff1a; 1.1冒泡排序 1.2 选择排序 1.3 插⼊排序 2 常见高级排序算法 2.1 希尔排序 2.2 快速排序 2.3 归并排序 2.4计数排序 先上结论&#xff1a; 1.三种常见的简单排序&#xff1a; 1.1冒泡排序 1.⾸先在未排序数组的⾸位开始&#…
阅读更多...
spring_javaConfig实现配置

spring_javaConfig实现配置

现在我们尝试不使用Spring的XML文件来配置了&#xff0c;全权交给Java来做 1 编写pojo类 这个类要被Spring接管&#xff0c;要被注册到容器中 添加Component注解通过Value注解来为属性注入值 package com.wq.pojo;import org.springframework.beans.factory.annotation.Value…
阅读更多...
利用芯片74hc165为单片机增加输入扩展端口proteus仿真arduino

利用芯片74hc165为单片机增加输入扩展端口proteus仿真arduino

我们前面的博文《输入端口少如何扩展&#xff1f;74hc148或74ls148级联在arduino中实现16转4的应用》介绍了148,148输入后可以立即输出到数码管&#xff0c;可以说它是自带编BCD编码器的。而今天这里我们主要介绍的74hc165是没有编码器&#xff0c;这里我们以proteus为仿真环境…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023