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.mzph.cn/news/76957.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩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

Redis I/O多路复用机制

Redis I/O多路复用机制

一、基础回顾 1.1 多路复用要解决什么问题 并发多客户端连接场景&#xff0c;在多路复用之前最简单和典型的方案就是同步阻塞网络IO模型。 这种模式的特点就是用一个进程来处理一个网络连接(一个用户请求),比如一段典型的示例代码如下。 直接调用 recv 函数从一个 socket 上…
阅读更多...
去除pdf/word的水印艺术字

去除pdf/word的水印艺术字

对于pdf中的水印如果无法去除水印&#xff0c;则先另存为word&#xff0c;然后再按下面办法处理即可&#xff1a; 查看宏&#xff0c;创建&#xff1a;删除艺术字 添加内容&#xff1a; Sub 删除艺术字()Dim sh As ShapeFor Each sh In ActiveDocument.ShapesIf sh.Type msoT…
阅读更多...
HTML的段落中怎么样显示出标签要使用的尖括号＜＞?

HTML的段落中怎么样显示出标签要使用的尖括号＜＞?

很简单&#xff1a; 符号 < 用 < 替代&#xff1b; 符号 > 用 > 替代。 示例代码如下&#xff1a; <!DOCTYPE html> <html> <head><meta charset"UTF-8"><title>HTML中怎样打出尖括号</title> </head> <b…
阅读更多...
Android Aidl跨进程通讯(三)--进阶使用

Android Aidl跨进程通讯(三)--进阶使用

学更好的别人&#xff0c; 做更好的自己。 ——《微卡智享》 本文长度为2478字&#xff0c;预计阅读6分钟 前言 Android的AIDL使用和异常报错都已经介绍过了&#xff0c;今天这篇还是在原来的Demo基础上加入几个AIDL的进阶使用方法。 】 AIDL进阶使用 微卡智享 in,out,inout的使…
阅读更多...
2022年全国研究生数学建模竞赛华为杯A题移动场景超分辨定位问题求解全过程文档及程序

2022年全国研究生数学建模竞赛华为杯A题移动场景超分辨定位问题求解全过程文档及程序

2022年全国研究生数学建模竞赛华为杯 A题 移动场景超分辨定位问题 原题再现&#xff1a; 在日常家庭生活中&#xff0c;人们可能需要花费大量时间去寻找随意摆放在家中某些角落里的小物品。但如果给某些重要物品贴上电路标签&#xff0c;再利用诸如扫地机器人的全屋覆盖能力&…
阅读更多...
docker入门

docker入门

弱小和无知不是生存的障碍&#xff0c;傲慢才是。 Docker 学习 Docker概述 Docker为什么出现&#xff1f; 一款产品&#xff1a; 开发–上线 两套环境&#xff01;应用环境&#xff0c;应用配置&#xff01; 开发 — 运维。 问题&#xff1a;我在我的电脑上可以允许&#…
阅读更多...
Vuex -访问（modules）模块中的 state mutations actions getters

Vuex -访问（modules）模块中的 state mutations actions getters

文章目录 四大核心复习一、获取模块内的state数据1.目标&#xff1a;2.使用模块中的数据3.代码示例 二、获取模块内的getters数据1.目标&#xff1a;2.语法&#xff1a;3.代码演示 三、获取模块内的mutations方法1.目标&#xff1a;2.注意&#xff1a;3.调用方式&#xff1a;4.…
阅读更多...
【实例项目：基于多设计模式下的日志系统（同步异步）】

【实例项目：基于多设计模式下的日志系统（同步异步）】

本项目涉及的到所有源码见以下链接&#xff1a; https://gitee.com/ace-zhe/wz_log 一、项目简介 1.日志的概念&#xff08;白话版&#xff09; 日志类似于日记&#xff0c;通常是指对完成某件事情的过程中状态等的记录&#xff0c;而计算机中的日志是指日志数据&#xff0c…
阅读更多...
考研英语笔记：程序员是否勤奋就看他的英语好不好

考研英语笔记：程序员是否勤奋就看他的英语好不好

一位大佬朋友圈写道&#xff1a;看程序员是否勤奋就看他的英语好不好&#xff0c;智商高不高就看他算法好不好。 这句话我当时看到了很触动&#xff0c;默默的记在了心底。 对我来说&#xff0c;算法就免了&#xff0c;但学英语我一直在坚持。我不敢说我是优秀的程序员&#xf…
阅读更多...
​消费盲返模式：一种让消费者和商家都受益的新型消费返利模式

​消费盲返模式：一种让消费者和商家都受益的新型消费返利模式

您是否想过&#xff0c;如果您的消费能够带来意想不到的回报&#xff0c;您会不会更愿意购买商品或服务呢&#xff1f;您是否想过&#xff0c;如果您的商品或服务能够吸引更多的消费者&#xff0c;并让他们成为您的忠实客户&#xff0c;您会不会更有动力经营您的业务呢&#xf…
阅读更多...
使用maven idea环境

使用maven idea环境

目录 idea三种方式执行maven命令 工程导入 生命周期lifecycle 插件和目标 常用命令 创建模块工程后 idea三种方式执行maven命令 想在哪个工程模块上执行就点开哪一个 如果觉得双击完clean再双击install麻烦&#xff0c;可以 如果有需要还可以给命令后面加参数 ​​​ 第三种…
阅读更多...
算法训练营day49|动态规划 part10：(LeetCode 121. 买卖股票的最佳时机、122.买卖股票的最佳时机II)

算法训练营day49|动态规划 part10：(LeetCode 121. 买卖股票的最佳时机、122.买卖股票的最佳时机II)

121. 买卖股票的最佳时机 题目链接&#x1f525; 给定一个数组 prices &#xff0c;它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。 你只能选择 某一天 买入这只股票&#xff0c;并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大…
阅读更多...
【Redis专题】RedisCluster集群运维与核心原理剖析

【Redis专题】RedisCluster集群运维与核心原理剖析

目录 课程内容一、Redis集群架构模型二、Redis集群架构搭建&#xff08;单机搭建&#xff09;2.1 在服务器下新建各个节点的配置存放目录2.2 修改配置&#xff08;以redis-8001.conf为例&#xff09; 三、Java代码实战四、Redis集群原理分析4.1 槽位定位算法4.2 跳转重定位4.3 …
阅读更多...
【MySQL】聊聊数据库高可用

【MySQL】聊聊数据库高可用

对于任何一个互联网公司来说&#xff0c;必定涉及到存储系统&#xff0c;而一般主流的使用MySQL进行存储数据&#xff0c;但是如果只是部署一台数据库&#xff0c;数据丢失的话&#xff0c;其实没有办法进行有效的恢复&#xff0c;那么就会造成一定的损失。要么就是直接的损失&…
阅读更多...
写代码中碰到的错误

写代码中碰到的错误

bind绑定类内成员导致 "no matching function for call to ..." 当bind绑定类内成员时&#xff0c;需要指明绑定的成员所在类的位置。 上面未指明Remove函数在哪个类中从而导致错误。 此外 bind 的函数指针类型是const类型的&#xff0c;都需要添加 const 修饰。 S…
阅读更多...
《TCP/IP网络编程》阅读笔记--标准I/O和I/O流分离

《TCP/IP网络编程》阅读笔记--标准I/O和I/O流分离

1--标准I/O 1-1--标准I/O的优缺点 标准 I/O 函数的优点&#xff1a; ① 具有良好的移植性&#xff1a;为了支持所有操作系统&#xff08;编译器&#xff09;&#xff0c;标准 I/O 函数均按照 ANSI C 标准定义的&#xff1b; ② 利用 I/O 缓冲提高性能&#xff1a;通过缓冲区缓…
阅读更多...
【Linux环境】基础开发工具的使用：yum软件安装、vim编辑器的使用

【Linux环境】基础开发工具的使用：yum软件安装、vim编辑器的使用

​&#x1f47b;内容专栏&#xff1a; Linux操作系统基础 &#x1f428;本文概括&#xff1a; yum软件包管理、vim编辑器的使用。 &#x1f43c;本文作者&#xff1a; 阿四啊 &#x1f438;发布时间&#xff1a;2023.9.12 Linux软件包管理 yum 什么是软件包 在Linux下安装软件…
阅读更多...
ShopXO商城系统文件上传0Day代审历程

ShopXO商城系统文件上传0Day代审历程

Git仓库&#xff1a; https://github.com/gongfuxiang/shopxo简介&#xff1a; 两天攻防中&#xff0c;某政局内网横向发现多网段服务器&#xff0c;该服务器搭建了ShopXO商城系统(后来发现是开发临时搭建的&#xff0c;准备做二开用的)。结果花了30来秒审了个垃圾Day拿下该服…
阅读更多...
INFINI Easysearch 与兆芯完成产品兼容互认证

INFINI Easysearch 与兆芯完成产品兼容互认证

近日&#xff0c;极限科技旗下软件产品 INFINI Easysearch 搜索引擎软件 V1.0 与兆芯完成兼容性测试&#xff0c;功能与稳定性良好&#xff0c;并获得兆芯产品兼容互认证书。 此次兼容适配基于银河麒麟高级服务器操作系统 V10 SP3 平台与兆芯 ZX-C、ZX-C、KX-5000、KX-6000、K…
阅读更多...
防火墙 FireWall

防火墙 FireWall

这里写自定义目录标题 一、概述二、防火墙分类三、防火墙性能四、硬件防火墙定义五、硬件防火墙作用&#xff08;拓扑图 ups&#xff09;六、硬件防火墙品牌七、软件防火墙八、iptables一、iptables是什么&#xff1f;二、netfilter/iptables功能三、iptables概念四、iptables中…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023