论文目录 | |
摘要 | 第1-5页 |
abstract | 第5-8页 |
第一章 绪论 | 第8-12页 |
1.1 研究背景与意义 | 第8-9页 |
1.2 研究现状 | 第9-10页 |
1.3 论文的研究内容与结构 | 第10-12页 |
第二章 时间序列预测模型关键技术 | 第12-23页 |
2.1 线性时间序列预测模型 | 第12-17页 |
2.1.1 ARIMA模型原理 | 第12-14页 |
2.1.2 ARIMA模型阶数确定 | 第14-15页 |
2.1.3 ARIMA模型检验 | 第15-17页 |
2.2 非线性时间序列预测模型 | 第17-22页 |
2.2.1 Volterra预测模型 | 第17-18页 |
2.2.2 Elamn神经网络预测模型 | 第18-20页 |
2.2.3 LSTM神经网络预测模型 | 第20-22页 |
2.3 本章小结 | 第22-23页 |
第三章 基于残差的时间序列混合预测方法 | 第23-32页 |
3.1 基于残差的混合预测方法模型构建 | 第23-24页 |
3.2 基于残差的ARIMA-LSTM混合预测方法模型构建 | 第24-31页 |
3.2.1 基于残差的ARIMA-LSTM混合模型预测方法 | 第24-25页 |
3.2.2 ARIMA模型时间序列预测 | 第25-29页 |
3.2.3 LSTM模型时间序列预测 | 第29页 |
3.2.4 仿真实验与分析 | 第29-31页 |
3.3 本章小结 | 第31-32页 |
第四章 基于分解与合成的时间序列混合预测方法 | 第32-52页 |
4.1 基于分解与合成的混合预测方法模型构建 | 第32-33页 |
4.2 时间序列分解与特性判断 | 第33-36页 |
4.2.1 时间序列离散小波分解(DWT) | 第33-34页 |
4.2.2 时间序列经验模态分解(EMD) | 第34-36页 |
4.2.3 时间序列混沌特性判断 | 第36页 |
4.3 基于DWT-Volterra-ARIMA的混合预测方法 | 第36-42页 |
4.3.1 基于DWT-Volterra-ARIMA混合预测方法模型构建 | 第36-37页 |
4.3.2 仿真实验与分析 | 第37-42页 |
4.4 基于MEEMD-SE-ELman混合模型预测方法 | 第42-51页 |
4.4.1 改进集成经验模态分解(MEEMD) | 第42-43页 |
4.4.2 样本熵相似性原理 | 第43-45页 |
4.4.3 基于MEEMD-SE-ELman混合预测方法 | 第45-46页 |
4.4.4 仿真实验与分析 | 第46-51页 |
4.5 本章小结 | 第51-52页 |
第五章 总结与展望 | 第52-53页 |
5.1 本文总结 | 第52页 |
5.2 本文展望 | 第52-53页 |
参考文献 | 第53-57页 |
发表论文和科研情况说明 | 第57-58页 |
致谢 | 第58页 |