聚类和主成分分析在吉林省城市公用事业分析中的应用

发布时间：2017-07-19 20:27

  本文关键词：聚类和主成分分析在吉林省城市公用事业分析中的应用

  更多相关文章： 主成分分析 聚类分析 城市公共事业

【摘要】：城市公共事业是关系到广大人民基本生活质量的行业,城市公共事业和每个人的生活息息相关,它深入到每个家庭的内部,和公众的基本生活离不开。随着经济的高速发展,社会的不断进步,城市公用事业所包含的内容也非常的丰富。本文研究的城市公共事业主要包括以下几个方面:(1)城市建设用地。(2)城市供水。(3)城市天燃气。(4)城市集中供热。(5)城市市政设施。(6)城市绿地和园林。(7)城市市容环境卫生。(8)城市设施水平。我国目前有34个省级行政区,吉林省的经济发展水平在我国所有省级行政区之中处于中下游的的位置,例如2013年国民生产总值(GDP)位列21位,2014和2015年国民生产总值位列22位,经济发展水平决定了公共事业的财政支出,因此研究吉林省的公共事业相关问题,可以较准确的反映我国真实的社会现状。本文以吉林省29个城市为研究对象,研究的是吉林省城市公共事业方面。本文使用数据挖掘中的聚类分析算法和主成分分析算法,对吉林省29个城市城市公共事业方面进行分析。本文的数据来源是《吉林省统计年鉴-2015》,吉林省统计年鉴是一部资料性年刊,全面反映了吉林省经济方面和社会方面的统计性数据。本文主要完成了以下两个任务。第一,将聚类分析应用于吉林省城市公共事业方面的分析。聚类分析是数据挖掘中比较经典的研究算法。它主要是根据“物以类聚”的思想进行划分。聚类分析,根据数据中发现的对象的特征,将特征相近或者相似的对象划分到同一个类中,将特征不同差异较大的对象划分到不同的类中。在同一个类中,对象的特点是相近或者相似的。聚类效果越好的标准是,同一个类中的对象的性质更加相近,不同类中的对象的性质差别更大。将吉林省二十九个城市公共事业方面的统计数据进行整理,对二十九个城市进行聚类分析,使用的聚类分析算法是K均值聚类,通过不同的类数K,来进行聚类,对结果进行分析。第二,将主成分分析应用于吉林省城市公共事业方面的分析。主成分分析算法是将原始数据的多个属性变量进行转化,转化成少数几个主成分,这些主成分之间不相关,主成分分析算法是一种多元的统计学方法。从数学的角度来看,主成分分析的过程就是从高维的数据信息转化成低维的数据信息的过程。将吉林省二十九个城市的城市公共事业的相关数据进行整理,总共41个指标,利用主成分分析算法得到5个主成分,并利用主成分得分算法计算主成分综合得分,将二十九个城市按照综合得分进行排序,得到吉林省二十九个城市在城市公共卫生事业方面的排名,同时结合聚类分析的结果进行对比,发现跟聚类分析的结果在大体走势上相似,从而验证了本文两种算法的有效性,并且根据结果提供相关的参考性数据信息。
【关键词】：主成分分析 聚类分析 城市公共事业
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F299.24;TP311.13
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-20
• 1.1 研究背景10-12
• 1.2 吉林省简介12-15
• 1.3 数据来源15-17
• 1.4 本文的主要工作17
• 1.5 选择本文算法的理由17-18
• 1.6 本文的主体框架18-19
• 1.7 本章小结19-20
• 第2章 聚类分析20-24
• 2.1 聚类分析简介20-21
• 2.2 几种聚类算法21-22
• 2.3 K均值聚类算法22-23
• 2.4 本章小结23-24
• 第3章 城市公用事业聚类分析24-33
• 3.1 数据预处理24-25
• 3.2 聚类过程25-29
• 3.3 聚类结果分析29-32
• 3.4 本章小结32-33
• 第4章 城市公用事业主成分分析33-51
• 4.1 主成分分析33-35
• 4.2 本文数据预处理35-36
• 4.3 主成分分析过程36-45
• 4.4 主成分得分及综合得分排名45-49
• 4.4.1 计算主成分得分45-47
• 4.4.2 计算综合得分47
• 4.4.3 结果分析47-49
• 4.5 本章小结49-51
• 第5章 总结及展望51-54
• 5.1 全文总结51-53
• 5.2 展望53-54
• 参考文献54-58
• 作者简介及在学期间所取得的科研成果58-59
• 致谢59

【参考文献】

中国期刊全文数据库 前10条

1 邱增健;;聚类分析法在国际工程分包商选择中的应用[J];江苏建材;2015年06期

2 聂艳萍;苏亚然;王歆;;基于聚类分析的白酒上市公司投资风险评价[J];河北科技大学学报(社会科学版);2015年04期

3 李童瑶;陈馨;邓晶;陈康;孙伟豪;郑莹;;基于聚类分析的福建省森林火灾风险区划[J];福建林业科技;2015年04期

4 陈夏芳;曹春萍;;改进的谱聚类算法在文本情感分析中的应用[J];信息技术;2015年12期

5 姜楠;姜丽燕;李梅芳;;山东省各地市环境污染及经济因素的聚类分析[J];资源节约与环保;2015年12期

6 陈静;;灰色聚类分析法在连锁超市供应商管理中的应用分析[J];山西经济管理干部学院学报;2015年04期

7 顾丽娟;司守奎;孙慧静;董超;;模糊聚类分析应用于炮兵精确打击效能评估[J];兵工自动化;2015年12期

8 黄潇迪;汤小华;;基于主成分—聚类分析的泉州市土地利用功能分区研究[J];海南师范大学学报(自然科学版);2015年04期

9 臧传芹;谢孔峰;;基于灰色聚类分析的教师课堂教学测评模型[J];赤峰学院学报(自然科学版);2015年23期

10 王坤;;基于聚类方法的云南速溶咖啡营养成分分析[J];曲靖师范学院学报;2015年06期

，

本文编号：564780