论文目录 | |
中文摘要 | 第1-4页 |
Abstract | 第4-8页 |
第一章 前言 | 第8-15页 |
· 预测的目的及意义 | 第8-9页 |
· 预测模型的建立 | 第9-10页 |
· 预测模型的优化方法概述 | 第10-14页 |
· 本文的研究内容 | 第14-15页 |
第二章 粒子群优化算法在灰色派生模型参数优化中的应用——以中国粮食产量预测为例 | 第15-31页 |
· 灰色理论介绍 | 第15-16页 |
· GIM(1)模型、GLPM(1)模型和GPPM(1)模型介绍 | 第16-19页 |
· 灰色模型的基本定义 | 第16页 |
· GIM(1)模型 | 第16-17页 |
· GLPM(1)模型 | 第17-18页 |
· GPPM(1)模型 | 第18-19页 |
· PSO在GIM(1)模型、GLPM(1)模型和GPPM(1)模型参数优化中的应用 | 第19-22页 |
· 粒子群优化算法(PSO)简介 | 第19-21页 |
· 基于PSO的参数优化 | 第21-22页 |
· 基于PSO优化的灰色派生模型在中国粮食产量预测中的应用 | 第22-31页 |
· 粮食产量预测的背景及研究现状 | 第22-24页 |
· 实验数据分析 | 第24-27页 |
· 案例结果分析 | 第27-28页 |
· 方差分析 | 第28-31页 |
第三章 残差修正法在季节ARIMA模型优化中的应用——以中国西北电网电力需求预测为例 | 第31-44页 |
· 季节ARIMA模型 | 第31-34页 |
· 季节ARIMA模型概述 | 第31-32页 |
· 知识准备——ARIMA模型介绍 | 第32-33页 |
· 季节ARIMA模型 | 第33-34页 |
· 残差修正法在季节ARIMA模型优化中的应用 | 第34-37页 |
· 基于PSO优化算法的傅里叶残差修正法 | 第34-36页 |
· 季节ARIMA残差修正法 | 第36-37页 |
· 结合PSO优化的傅里叶方法和S-ARIMA模型的残差修正模型 | 第37页 |
· 残差修正法优化的季节ARIMA模型在需求预测中的应用——以中国西北电网为例 | 第37-44页 |
第四章 结论与展望 | 第44-46页 |
参考文献 | 第46-49页 |
在学期间研究成果 | 第49-50页 |
致谢 | 第50页 |