| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 空气污染物预测研究现状 | 第13-14页 |
| 1.2.2 混沌时间序列预测应用研究现状 | 第14-15页 |
| 1.2.3 研究现状述评和思路 | 第15-16页 |
| 1.3 本文研究内容和组织结构 | 第16-18页 |
| 2 相关理论基础 | 第18-27页 |
| 2.1 混沌时序应用理论基础 | 第18-19页 |
| 2.2 时序混沌特性识别方法 | 第19-20页 |
| 2.3 相空间重构理论及应用原理 | 第20-23页 |
| 2.3.1 相空间重构技术 | 第20-21页 |
| 2.3.2 典型混沌系统时序预测原理 | 第21-23页 |
| 2.4 相空间重构参数选取方法 | 第23-24页 |
| 2.5 混沌时序神经网络预测方法 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 基于相空间重构多元混沌时间序列预测模型构建 | 第27-34页 |
| 3.1 多元混沌时间序列相空间重构 | 第27-28页 |
| 3.2 基于RBF神经网络的多元混沌时间序列模型构建 | 第28-30页 |
| 3.3 预测模型性能评价指标 | 第30页 |
| 3.4 Lorenz系统预测仿真分析 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4 基于多元混沌时间序列PM2.5浓度的预测 | 第34-52页 |
| 4.1 数据来源 | 第35页 |
| 4.2 数据预处理 | 第35-38页 |
| 4.2.1 多元时间序列缺失数据的填补方法 | 第35-36页 |
| 4.2.2 空气系统时间序列缺失数据填补 | 第36-38页 |
| 4.3 PM2.5浓度及影响因子分析 | 第38-39页 |
| 4.4 空气系统多元相空间重构参数的计算 | 第39-41页 |
| 4.5 空气系统混沌特性识别 | 第41-43页 |
| 4.6 PM2.5浓度预测仿真分析 | 第43-51页 |
| 4.6.1 基于相空间重构多元混沌时间序列PM2.5浓度预测 | 第43-45页 |
| 4.6.2 基于ARIMA模型和多元线性回归的PM2.5浓度预测分析 | 第45-50页 |
| 4.6.3 PM2.5浓度预测仿真结果分析 | 第50-51页 |
| 4.7 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 附录Ⅰ 多元混沌时间序列相空间重构方法编码 | 第58-59页 |
| 附录Ⅱ 基于相空间重构多元混沌时间序列预测模型编码 | 第59-61页 |
| 攻读硕士学位期间发表的论文 | 第61-62页 |
| 致谢 | 第62页 |
