| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题的背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 主要研究内容思路和方法 | 第11-13页 |
| 1.3.1 主要内容 | 第11-12页 |
| 1.3.2 研究方法 | 第12-13页 |
| 第2章 时间序列的基础知识 | 第13-18页 |
| 2.1 时间序列的概念 | 第13页 |
| 2.2 时间序列的平稳性检验 | 第13-14页 |
| 2.3 非平稳时间序列的平稳化 | 第14-15页 |
| 2.4 时间序列的预测模型 | 第15-16页 |
| 2.5 时间序列的因素分解 | 第16-17页 |
| 2.5.1 加法模型 | 第16页 |
| 2.5.2 乘法模型 | 第16-17页 |
| 2.5.3 加法模型和乘法模型选择的依据 | 第17页 |
| 2.6 时间序列的预测效果评价指标 | 第17-18页 |
| 第3章 自回归滑动平均模型及其改进 | 第18-40页 |
| 3.1 自回归移动平均(ARMA)模型 | 第18-23页 |
| 3.1.1 自回归AR(p)模型 | 第18-19页 |
| 3.1.2 滑动(移动)平均模型 MA(q) (Moving Average Model) | 第19-20页 |
| 3.1.3 自回归滑动(移动)平均模型 ARMA(p,q) (Auto-regressive Moving Average Model) | 第20-21页 |
| 3.1.4 时间序列模型的参数估计 | 第21-23页 |
| 3.2 自回归积分滑动平均模型(ARIMA)的建立 | 第23-24页 |
| 3.3 X12ARIMA方法的概述 | 第24-25页 |
| 3.4 基于自回归移动平均模型对我国社会消费品零售总额的预测 | 第25-40页 |
| 3.4.1 数据选取及初步分析 | 第25-28页 |
| 3.4.2 X12ARIMA模型的实证分析 | 第28-38页 |
| 3.4.3 模型选择结果比较分析 | 第38-40页 |
| 第4章 基于状态空间模型的指数平滑(ETS)模型 | 第40-52页 |
| 4.1 指数平滑方法 | 第40-43页 |
| 4.1.1 常用指数平滑方法的推导 | 第40-43页 |
| 4.1.2 指数平滑方法的分类 | 第43页 |
| 4.2 基于状态空间模型的指数平滑方法 | 第43-45页 |
| 4.2.1 创新状态空间模型 | 第43-44页 |
| 4.2.2 常用指数平滑方法的状态空间模型推导 | 第44-45页 |
| 4.3 指数平滑方法的两个重要问题 | 第45-47页 |
| 4.3.1 初始化问题 | 第45-46页 |
| 4.3.2 参数估计 | 第46-47页 |
| 4.4 ETS模型对我国社会消费品零售总额的实证分析 | 第47-52页 |
| 第5章 组合预测模型的建立 | 第52-60页 |
| 5.1 组合预测的概述 | 第52页 |
| 5.2 组合预测方法的基本理论 | 第52-54页 |
| 5.3 组合预测模型的构建 | 第54-57页 |
| 5.4 组合预测模型对我国社会消费品零售总额的实证分析 | 第57-60页 |
| 第6章 混沌粒子群优化算法 | 第60-68页 |
| 6.1 粒子群优化算法 | 第60-61页 |
| 6.1.1 粒子群优化算法的参数改进 | 第60页 |
| 6.1.2 粒子群算法在组合模型中的应用 | 第60-61页 |
| 6.2 混沌粒子群算法 | 第61-64页 |
| 6.2.1 混沌粒子群优化算法的主要思想 | 第61-62页 |
| 6.2.2 混沌粒子群算法在组合模型中的应用 | 第62-64页 |
| 6.3 混沌粒子群算法预测效果的评价指标体系 | 第64页 |
| 6.4 基于混沌粒子群优化算法的组合模型实证分析 | 第64-68页 |
| 第7章 总结与展望 | 第68-70页 |
| 7.1 总结 | 第68-69页 |
| 7.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 附录A X12ARIMA加法模型的原始时序因素分解 | 第73-76页 |
| 附录B X12ARIMA乘法模型的原始时序因素分解 | 第76-79页 |
| 附录C 各个模型对原始时序的拟合结果 | 第79-82页 |
| 攻读学位期间的研究成果 | 第82页 |
