| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 预测相关概念解析 | 第10-11页 |
| 1.1.1 预测的概念 | 第10页 |
| 1.1.2 预测的特点 | 第10-11页 |
| 1.1.3 预测的意义 | 第11页 |
| 1.2 预测方法研究 | 第11-15页 |
| 1.2.1 建立预测模型的一般步骤 | 第11-12页 |
| 1.2.2 传统的预测方法 | 第12-13页 |
| 1.2.3 基于智能计算的预测模型 | 第13-14页 |
| 1.2.4 预测性能的评估标准 | 第14-15页 |
| 1.3 预测模型在公共危机管理中的应用 | 第15-18页 |
| 1.3.1 公共危机 | 第15-16页 |
| 1.3.2 公共危机管理 | 第16页 |
| 1.3.3 预测模型在公共危机管理中的应用综述 | 第16-18页 |
| 1.4 研究内容与文章结构 | 第18-22页 |
| 1.4.1 本文研究内容 | 第18-20页 |
| 1.4.2 文章结构 | 第20-22页 |
| 第二章 基于基础集合运算的预测模型构建 | 第22-26页 |
| 2.1 引言 | 第22页 |
| 2.2 数据抽象 | 第22-23页 |
| 2.3 基础集合运算预测数据建模 | 第23-24页 |
| 2.3.1 时间序列 | 第23页 |
| 2.3.2 集合运算 | 第23-24页 |
| 2.3.3 导航分析 | 第24页 |
| 2.4 模型应用场景 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于投影的热点分析方法应用研究 | 第26-41页 |
| 3.1 引言 | 第26-27页 |
| 3.2 热点分析研究 | 第27-30页 |
| 3.2.1 热点的定义 | 第27页 |
| 3.2.2 面向区域的方法 | 第27页 |
| 3.2.3 面向点与点关系的方法 | 第27-30页 |
| 3.3 基于投影的热点分析预测模型 | 第30-36页 |
| 3.3.1 投影方法思想 | 第30-31页 |
| 3.3.2 投影方法步骤 | 第31-32页 |
| 3.3.3 核心算法的伪代码 | 第32-35页 |
| 3.3.3.1 CalculHotspots算法过程 | 第32-33页 |
| 3.3.3.2 GroupData算法过程 | 第33-35页 |
| 3.3.4 算法时间复杂度分析 | 第35-36页 |
| 3.3.5 算法空间复杂度分析 | 第36页 |
| 3.4 阈值的选取以及一些特殊情况的解决方法 | 第36-37页 |
| 3.4.1 阈值的选取 | 第36-37页 |
| 3.4.2 特殊情况的解决 | 第37页 |
| 3.5 实证研究及结果 | 第37-40页 |
| 3.5.1 样本数据集的选择 | 第37页 |
| 3.5.2 实证研究结果 | 第37-39页 |
| 3.5.3 结果讨论 | 第39-40页 |
| 3.5.3.1 算法的优势 | 第39页 |
| 3.5.3.2 算法的不足 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 人工神经网络算法研究及其在预测中的应用研究 | 第41-73页 |
| 4.1 引言 | 第41-42页 |
| 4.2 基于ARIMA模型的预测 | 第42-43页 |
| 4.3 基于人工神经网络的预测 | 第43-54页 |
| 4.3.1 人工神经元模型 | 第43-45页 |
| 4.3.2 前馈型神经网络结构 | 第45-46页 |
| 4.3.3 网络结构确定 | 第46-49页 |
| 4.3.4 BP学习算法 | 第49-52页 |
| 4.3.5 BP神经网络算法过程 | 第52-54页 |
| 4.4 基于粒子群优化神经网络进行预测研究 | 第54-57页 |
| 4.4.1 粒子群算法(Particle Swarm Optimization) | 第54-55页 |
| 4.4.2 混沌搜索过程(Chaotic Search Process) | 第55-56页 |
| 4.4.3 混沌粒子群优化神经网络(CPSO-BP) | 第56-57页 |
| 4.5 基于参数选择的混沌粒子群优化BP神经网络预测模型 | 第57-61页 |
| 4.5.1 PSO参数选择 | 第57页 |
| 4.5.2 输入集选择 | 第57-59页 |
| 4.5.3 基于参数选择的混沌粒子群优化BP神经网络预测模型 | 第59-61页 |
| 4.6 实证研究及结果 | 第61-71页 |
| 4.6.1 样本数据集的选择 | 第61-64页 |
| 4.6.2 实证研究结果 | 第64-71页 |
| 4.6.2.1 BP神经网络和CPSO-BP模型结果比较(水平数据选择) | 第64-65页 |
| 4.6.2.2 BP神经网络和IS-CPSO-BP模型结果比较(水平数据选择) | 第65-66页 |
| 4.6.2.3 BP神经网络和CPSO-BP模型结果比较(垂直数据选择) | 第66-67页 |
| 4.6.2.4 BP神经网络、ARIMA和IS-CPSO-BP模型结果比较(垂直数据选择) | 第67页 |
| 4.6.2.5 结果讨论 | 第67-71页 |
| 4.7 本章小结 | 第71-73页 |
| 第五章 小波变换在预测中的应用研究 | 第73-89页 |
| 5.1 引言 | 第73-74页 |
| 5.2 基于小波阈值去噪的数据预处理 | 第74-77页 |
| 5.2.1 阈值去噪方法 | 第74-75页 |
| 5.2.2 阈值风险 | 第75-77页 |
| 5.3 小波去噪算法步骤 | 第77-78页 |
| 5.4 小波变换和ANN相结合的混合预测模型 | 第78-80页 |
| 5.5 实证研究及结果 | 第80-87页 |
| 5.5.1 样本数据集的选择 | 第80-82页 |
| 5.5.2 实证研究结果 | 第82-84页 |
| 5.5.3 结果讨论 | 第84-87页 |
| 5.6 本章小结 | 第87-89页 |
| 第六章 公共危机管理案例知识库系统设计及实现 | 第89-97页 |
| 6.1 系统构建意义 | 第89-90页 |
| 6.2 系统构建理论 | 第90-91页 |
| 6.2.1 公共危机管理的阶段 | 第90页 |
| 6.2.2 危机事件的分类依据 | 第90-91页 |
| 6.3 原型系统设计与实现 | 第91-95页 |
| 6.3.1 技术架构 | 第91-92页 |
| 6.3.2 原型系统设计 | 第92-95页 |
| 6.3.2.1 平台构想 | 第92页 |
| 6.3.2.2 信息来源 | 第92-93页 |
| 6.3.2.3 时空分析功能及系统展示 | 第93-95页 |
| 6.4 本章小结 | 第95-97页 |
| 第七章 结论与展望 | 第97-99页 |
| 参考文献 | 第99-104页 |
| 在学期间的研究成果 | 第104-105页 |
| 致谢 | 第105页 |
