基于LSTM的时间序列混合预测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-16页 |
| 1.1课题的背景和意义 | 第9页 |
| 1.2 时间序列预测的研究现状 | 第9-12页 |
| 1.2.1 时间序列预测概述 | 第9-10页 |
| 1.2.2 时间序列预测的国内外研究现状 | 第10-12页 |
| 1.2.3 传统时间序列预测存在的问题及分析 | 第12页 |
| 1.3 RNN的研究现状及分析 | 第12-14页 |
| 1.4 本文的主要内容和组织结构 | 第14-16页 |
| 1.4.1 主要内容 | 第14-15页 |
| 1.4.2 组织结构 | 第15-16页 |
| 第2章 相关基础理论 | 第16-26页 |
| 2.1 小波分解的基本理论 | 第16-19页 |
| 2.1.1 小波概论 | 第16页 |
| 2.1.2 小波函数的选择 | 第16-18页 |
| 2.1.3 小波分解与重构 | 第18-19页 |
| 2.2 时间序列平稳分析理论基础 | 第19-20页 |
| 2.3 ARMA的理论基础 | 第20-22页 |
| 2.3.1 ARMA基本原理 | 第20页 |
| 2.3.2 ARMA建模过程 | 第20-22页 |
| 2.4 LSTM的理论基础 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于小波分解与LSTM的时间序列预测算法 | 第26-33页 |
| 3.1 算法流程简介 | 第26-27页 |
| 3.2 小波分解 | 第27-28页 |
| 3.3 ARMA的建模过程 | 第28页 |
| 3.4 LSTM的建模过程 | 第28-32页 |
| 3.4.1 LSTM的具体模型 | 第28-30页 |
| 3.4.2 LSTM的训练过程 | 第30-32页 |
| 3.5 模型的预测 | 第32页 |
| 3.6 本章小结 | 第32-33页 |
| 第4章 算法的性能分析 | 第33-46页 |
| 4.1 时间序列预测效果评价 | 第33页 |
| 4.2 数据收集和说明 | 第33-36页 |
| 4.3 实验结果与算法性能分析 | 第36-45页 |
| 4.3.1 本文方法与其他方法拟合精度的比较 | 第37-41页 |
| 4.3.2 本文方法与其他方法预测精度的比较 | 第41-44页 |
| 4.3.3 性能分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 工作总结与展望 | 第46-48页 |
| 5.1 工作总结 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 附录A (攻读硕士学位期间的研究成果) | 第52页 |
