中文摘要 | 第1-5页 |
英文摘要 | 第5-8页 |
1 绪论 | 第8-17页 |
·题目由来——天然气消费的发展概述 | 第8页 |
·题目意义——天然气消费需求量预测的必要性 | 第8-10页 |
·天然气消费需求量预测概况 | 第10-14页 |
·国内研究概况 | 第10-12页 |
·国外研究状况 | 第12-14页 |
·本文研究思路 | 第14-15页 |
·本文研究内容 | 第15-16页 |
·本文具有一定新意之处 | 第16-17页 |
2 预测的基本概念理论和方法 | 第17-22页 |
·预测的基本概念 | 第17页 |
·传统预测方法的分类 | 第17-19页 |
·传统预测的基本思想和假定 | 第19-20页 |
·传统预测方法向现代预测方法的转变 | 第20-21页 |
·小结 | 第21-22页 |
3 基于GM(1,1)模型的天然气消费需求量预测 | 第22-31页 |
·灰色系统理论的基本概念 | 第22-23页 |
·GM(1,1)预测模型误差来源——背景值改进方法研究 | 第23-25页 |
·GM(1,1)II 模型的适应性和预测精度研究 | 第25-28页 |
·GM(1,1)II 模型的性质研究 | 第25-28页 |
·GM(1,1)II 模型性质小结 | 第28页 |
·基于GM(1,1)II 模型的重庆市天然气消费需求量预测 | 第28-30页 |
·模型建立和检验 | 第28-29页 |
·2005-2010 年重庆市天然气消费需求量预测 | 第29-30页 |
·小结 | 第30-31页 |
4 基于遗传BP 神经网络的天然气消费需求量预测 | 第31-42页 |
·BP 神经网络一般模型及其算法 | 第32-35页 |
·遗传算法基本理论 | 第35-36页 |
·遗传算子 | 第35页 |
·遗传算法的一般步骤 | 第35-36页 |
·三项遗传BP 神经网络模型的实现 | 第36-39页 |
·网络隐层节点的确定 | 第36页 |
·三项BP 算法 | 第36-37页 |
·最优学习参数的确定 | 第37-39页 |
·基于遗产算法优化BP 神经网络的天然气消费需求量预测 | 第39-41页 |
·影响天然气消费需求量的因素 | 第39-40页 |
·数据处理 | 第40页 |
·2005-2010 年重庆市天然气消费需求量预测 | 第40-41页 |
·小结 | 第41-42页 |
5 基于最小二乘支持向量机的天然气消费需求量预测 | 第42-49页 |
·统计学习理论的基本概念 | 第42-44页 |
·VC 维 | 第42-43页 |
·推广性的界 | 第43页 |
·结构风险最小化 | 第43-44页 |
·支持向量机和最小二乘支持向量机理论 | 第44-46页 |
·最小二乘支持向量机参数的优化算法 | 第46-47页 |
·基于最小二乘支持向量机的天然气消费需求量预测 | 第47-48页 |
·小结 | 第48-49页 |
6 组合预测 | 第49-53页 |
·组合预测的必要性 | 第49页 |
·组合预测模型原理 | 第49-50页 |
·重庆市天然气消费需求量组合预测 | 第50-51页 |
·小结 | 第51-53页 |
7 总结与展望 | 第53-55页 |
·全文总结 | 第53页 |
·展望 | 第53-55页 |
致谢 | 第55-56页 |
参考文献 | 第56-60页 |
附录 | 第60-71页 |
独创性声明 | 第71页 |
学位论文版权使用授权书 | 第71页 |