| 摘要 | 第2-5页 |
| abstract | 第5-9页 |
| 1 绪论 | 第15-27页 |
| 1.1 选题依据 | 第15-19页 |
| 1.1.1 时间序列预测的重要性 | 第15-16页 |
| 1.1.2 现有时间序列预测模型分类及其缺陷 | 第16-18页 |
| 1.1.3 系列混合预测模型的提出 | 第18-19页 |
| 1.2 研究意义 | 第19-20页 |
| 1.2.1 研究的理论意义 | 第19-20页 |
| 1.2.2 研究的实际价值 | 第20页 |
| 1.3 研究思路与主要研究内容 | 第20-25页 |
| 1.3.1 研究思路 | 第20-21页 |
| 1.3.2 主要研究内容 | 第21-25页 |
| 1.4 主要创新与不足之处 | 第25-27页 |
| 1.4.1 主要创新点 | 第25-26页 |
| 1.4.2 主要不足之处 | 第26-27页 |
| 2 系列混合预测模型之BP神经网络预测:模型特点、适用条件及局限性 | 第27-46页 |
| 2.1 BP神经网络基本模型的特点 | 第27-31页 |
| 2.1.1 理论基础完备 | 第27-29页 |
| 2.1.2 学习机制明确 | 第29-31页 |
| 2.1.3 容错性、自学习和自适应性较强 | 第31页 |
| 2.2 BP神经网络基本模型的适用条件 | 第31-38页 |
| 2.2.1 原始样本数据平稳 | 第32页 |
| 2.2.2 参数选择合适 | 第32-34页 |
| 2.2.3 网络结构设计合理 | 第34-38页 |
| 2.3 BP神经网络基本模型的局限性及成因分析 | 第38-42页 |
| 2.3.1 由原始样本噪声引起的局限性 | 第38-39页 |
| 2.3.2 由参数选择不当引起的局限性 | 第39-41页 |
| 2.3.3 由网络结构不当引起的局限性 | 第41-42页 |
| 2.4 BP神经网络基本模型的改进思路 | 第42-45页 |
| 2.4.1 引入去噪算法——原始数据的去噪 | 第42-43页 |
| 2.4.2 引入智能优化算法——网络参数的优化 | 第43-45页 |
| 2.5 本章小结 | 第45-46页 |
| 3 系列混合预测模型之原始数据的优化:不同去噪算法的引入 | 第46-72页 |
| 3.1 引入去噪算法的目的 | 第46-47页 |
| 3.2 奇异谱分析方法及其适用性 | 第47-56页 |
| 3.2.1 奇异谱分析方法的原理与特点 | 第47-53页 |
| 3.2.2 奇异谱分析方法的适用性 | 第53-56页 |
| 3.3 总体经验模态分解方法及其适用性 | 第56-61页 |
| 3.3.1 总体经验模态分解方法的原理与特点 | 第56-60页 |
| 3.3.2 经验模态分解方法的适用性 | 第60-61页 |
| 3.4 小波去噪方法及其适用性 | 第61-69页 |
| 3.4.1 小波去噪方法的原理与特点 | 第61-68页 |
| 3.4.2 小波去噪方法的适用性 | 第68-69页 |
| 3.5 不同去噪算法的比较分析 | 第69-70页 |
| 3.6 本章小结 | 第70-72页 |
| 4 系列混合预测模型之网络参数的优化:不同智能优化算法的引入 | 第72-111页 |
| 4.1 引入智能优化算法的目的 | 第72-73页 |
| 4.2 粒子群算法原理、改进及其适用性 | 第73-78页 |
| 4.2.1 粒子群算法的原理及改进 | 第73-77页 |
| 4.2.2 粒子群算法的适用性 | 第77-78页 |
| 4.3 遗传算法原理、改进及其适用性 | 第78-83页 |
| 4.3.1 遗传算法的原理与改进 | 第79-82页 |
| 4.3.2 遗传算法的适用性 | 第82-83页 |
| 4.4 萤火虫算法原理、改进及其适用性 | 第83-89页 |
| 4.4.1 萤火虫算法的原理与改进 | 第83-88页 |
| 4.4.2 萤火虫算法的适用性 | 第88-89页 |
| 4.5 模拟退火算法原理、改进及其适用性 | 第89-96页 |
| 4.5.1 模拟退火算法的原理与改进 | 第90-94页 |
| 4.5.2 模拟退火算法的适用性 | 第94-96页 |
| 4.6 蚁群算法原理、改进及其适用性 | 第96-100页 |
| 4.6.1 蚁群算法的原理与改进 | 第96-99页 |
| 4.6.2 蚁群算法的适用性 | 第99-100页 |
| 4.7 人工鱼群算法原理、改进及其适用性 | 第100-104页 |
| 4.7.1 鱼群算法的原理与改进 | 第100-103页 |
| 4.7.2 鱼群算法的适用性 | 第103-104页 |
| 4.8 不同群智能优化算法的比较分析 | 第104-109页 |
| 4.8.1 理论比较 | 第104-108页 |
| 4.8.2 实验比较 | 第108-109页 |
| 4.9 本章小结 | 第109-111页 |
| 5 模型建立与评估:引入不同去噪和智能优化算法的系列混合预测模型 | 第111-124页 |
| 5.1 系列混合预测模型的步骤 | 第111-116页 |
| 5.1.1 系列混合预测模型总体步骤 | 第111-112页 |
| 5.1.2 各去噪算法步骤 | 第112-113页 |
| 5.1.3 各改进的智能优化算法步骤 | 第113-116页 |
| 5.2 系列混合预测模型的特点 | 第116-119页 |
| 5.3 系列混合预测模型性能的评价标准 | 第119-122页 |
| 5.3.1 整体趋势预测精度评价 | 第119-120页 |
| 5.3.2 预测模型有效性评价 | 第120-121页 |
| 5.3.3 预测结果显著性评价 | 第121-122页 |
| 5.4 本章小结 | 第122-124页 |
| 6 系列混合预测模型应用之一:风电数据预测 | 第124-141页 |
| 6.1 风电时间序列数据类型与特点 | 第124-126页 |
| 6.2 常用风电时间序列预测模型种类与特点 | 第126-128页 |
| 6.3 基于风电数据的最优去噪算法的选择 | 第128-132页 |
| 6.4 基于风电数据的最优智能优化算法的选择 | 第132-136页 |
| 6.5 最优混合预测模型与其他预测模型对比分析 | 第136-139页 |
| 6.6 本章小结 | 第139-141页 |
| 7 系列混合预测模型应用之二:碳排放预测 | 第141-159页 |
| 7.1 碳排放时间序列数据类型与特点 | 第141-143页 |
| 7.2 常用碳排放时间序列预测模型种类与特点 | 第143-145页 |
| 7.3 基于碳排放数据的最优去噪算法的选择 | 第145-150页 |
| 7.4 基于碳排放数据的最优智能优化算法的选择 | 第150-154页 |
| 7.5 最优混合预测模型在碳排放预测中的应用 | 第154-158页 |
| 7.6 本章小结 | 第158-159页 |
| 8 系列混合预测模型应用之三:股价指数预测 | 第159-176页 |
| 8.1 股价指数时间序列数据类型与特点 | 第159-160页 |
| 8.2 常用股价指数时间序列预测模型种类与特点 | 第160-163页 |
| 8.3 基于股价指数数据的最优去噪算法的选择 | 第163-167页 |
| 8.4 基于股价指数数据的最优智能优化算法的选择 | 第167-171页 |
| 8.5 最优混合模型在股价指数预测中的应用 | 第171-174页 |
| 8.6 本章小结 | 第174-176页 |
| 9 结论与展望 | 第176-178页 |
| 在学期间发表的科研成果 | 第178-180页 |
| 参考文献 | 第180-199页 |
| 后记 | 第199-200页 |
