| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状及趋势 | 第10-12页 |
| 1.2.2 国内研究现状及趋势 | 第12-13页 |
| 1.3 本文的主要贡献与创新 | 第13-14页 |
| 1.4 本论文整体结构安排 | 第14-15页 |
| 1.5 研究思路路线图 | 第15-17页 |
| 2 传统的时间序列分析方法 | 第17-23页 |
| 2.1 时间序列相关概念 | 第17-19页 |
| 2.1.1 时间序列的概念 | 第17页 |
| 2.1.2 时间序列的特点 | 第17-18页 |
| 2.1.3 时间序列的种类 | 第18-19页 |
| 2.2 传统时间序列分析方法 | 第19-21页 |
| 2.3 实验仿真 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于机器学习通用算法SVM-RNN的分析预测 | 第23-44页 |
| 3.1 支持向量机及回归 | 第23-29页 |
| 3.1.1 支持向量机 | 第24-26页 |
| 3.1.2 支持向量回归 | 第26-29页 |
| 3.2 循环神经网络 | 第29-31页 |
| 3.3 数据处理与评价指标 | 第31-36页 |
| 3.3.1 数据采集 | 第32-33页 |
| 3.3.2 数据预处理 | 第33-34页 |
| 3.3.3 评价指标 | 第34-36页 |
| 3.4 实验结果与分析 | 第36-42页 |
| 3.4.1 参数设置 | 第36-37页 |
| 3.4.2 支持向量回归 | 第37-39页 |
| 3.4.3 循环神经网络 | 第39-42页 |
| 3.5 本章小结 | 第42-44页 |
| 4 基于SAM-LSTM时间序列分析研究 | 第44-51页 |
| 4.1 长短期记忆神经网络 | 第44-46页 |
| 4.2 注意力机制 | 第46-49页 |
| 4.3 SAM-LSTM方法 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 SAM-LSTM方法时间序列分析预测应用 | 第51-68页 |
| 5.1 数据预处理和评价指标 | 第51-53页 |
| 5.1.1 数据采集 | 第51-53页 |
| 5.1.2 数据预处理 | 第53页 |
| 5.1.3 评价指标 | 第53页 |
| 5.2 实验结果与分析 | 第53-62页 |
| 5.2.1 参数设置 | 第54页 |
| 5.2.2 长短期记忆神经网络 | 第54-58页 |
| 5.2.3 SAM-LSTM方法 | 第58-62页 |
| 5.3 对比分析RNN、LSTM和 SAM-LSTM实验结果 | 第62-67页 |
| 5.3.1 澳大利亚新南威尔士州 | 第63-64页 |
| 5.3.2 澳大利亚昆士兰州 | 第64-65页 |
| 5.3.3 西安市日最高气温 | 第65-66页 |
| 5.3.4 北京市日最高气温 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 6 全文总结与展望 | 第68-70页 |
| 6.1 本文工作总结 | 第68-69页 |
| 6.2 后续工作展望 | 第69-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 附录 | 第76-77页 |