基于Bass和PSO的移动互联网扩散趋势预测

发布时间：2017-04-27 01:01

  本文关键词：基于Bass和PSO的移动互联网扩散趋势预测，，由笔耕文化传播整理发布。

【摘要】：移动互联网是移动通信在发展过程中和互联网融合后的产物,现在已经为人们生活、工作的各个方面带来便利,具有很大的发展潜力。研究移动互联网的用户数量增长情况并准确预测其未来发展趋势,可以为产业的发展提供指导意见。采用Bass创新扩散模型可以预测移动互联网的用户数量增长趋势。由于模型的参数不容易确定,采用了一个惯性权重非线性变化的粒子群优化算法,利用该算法对Bass模型的参数寻优。改进之后的粒子群优化算法能够大幅度提高求解精度,Bass模型能够准确预测用户数量增长趋势。为了进一步提高预测精度,将Bass模型和粒子群优化算法进行改进,将Bass模型的三个参数都表示为随时间变化的函数。为了得到精确参数值,提出一种新的粒子群优化算法,该算法在初始化阶段和运行过程中使用反向学习策略以增加种群多样性。引入种群密集度指标来判断种群当前的收敛状态,并以此结果决定是否执行变异策略。当算法停留在局部最优时,对全局最优的粒子执行柯西和高斯混合变异,使种群寻找全局最优解。实验结果展示出改进后的粒子群优化算法的优点是更高的求解精度和更快的收敛速度,很好的解决了以前存在的陷入局部最优的问题。改进之后的Bass模型能够更准确的预测移动互联网扩散趋势。
【关键词】：移动互联网 粒子群算法 Bass模型 反向学习 混合变异 扩散趋势预测
【学位授予单位】：新疆大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.01;TN929.5
【目录】：

• 摘要2-3
• Abstract3-6
• 第一章 绪论6-12
• 1.1 选题背景及研究意义6-7
• 1.1.1 选题背景6-7
• 1.1.2 研究意义7
• 1.2 国内外研究现状7-10
• 1.2.1 国外研究现状7-9
• 1.2.2 国内研究现状9-10
• 1.3 研究的主要内容10
• 1.4 论文章节安排10-12
• 第二章 移动互联网扩散趋势预测理论基础12-16
• 2.1 移动互联网扩散预测12-13
• 2.2 常用的预测模型13-16
• 2.2.1 自回归滑动平均13
• 2.2.2 人工神经网络13-14
• 2.2.3 支持向量机14-15
• 2.2.4 组合预测15-16
• 第三章 基于Bass模型的移动互联网扩散趋势预测16-24
• 3.1 引言16
• 3.2 Bass模型16-18
• 3.2.1 模型原理16-17
• 3.2.2 模型参数估计17-18
• 3.3 粒子群优化算法18-20
• 3.3.1 算法原理18-19
• 3.3.2 非线性惯性权重19-20
• 3.4 算法实现过程20-21
• 3.5 仿真结果与分析21-22
• 3.6 本章小结22-24
• 第四章 基于改进的粒子群算法的移动互联网扩散预测24-33
• 4.1 引言24
• 4.2 改进的Bass模型24-25
• 4.3 改进的粒子群优化算法25-28
• 4.3.1 反向学习策略26
• 4.3.2 混合变异策略26-28
• 4.3.3 惯性权重动态调整策略28
• 4.4 算法实现过程28-29
• 4.5 仿真结果与分析29-32
• 4.5.1 算法性能检验29-30
• 4.5.2 移动互联网扩散仿真结果及分析30-32
• 4.6 本章小结32-33
• 第五章 总结与展望33-35
• 5.1 论文总结33
• 5.2 论文展望33-35
• 参考文献35-40
• 攻读学位期间发表的学术论文40-41
• 致谢41-42

【参考文献】

中国期刊全文数据库 前1条

1 廖军;王蓓蓓;高一维;;移动互联网终端发展研究[J];移动通信;2012年Z1期

中国硕士学位论文全文数据库 前1条

1 宋贵彩;基于ARMA模型的结构识别[D];重庆大学;2005年

  本文关键词：基于Bass和PSO的移动互联网扩散趋势预测，由笔耕文化传播整理发布。

本文编号：329554