| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 传统数据预测方法 | 第12-14页 |
| 1.2.2 新型数据预测方法 | 第14-15页 |
| 1.3 本文研究内容与结构 | 第15-17页 |
| 第二章 基于ARIMA的商品条码注册量预测 | 第17-29页 |
| 2.1 商品条码注册量数据分析 | 第17-18页 |
| 2.2 ARIMA模型的原理 | 第18-21页 |
| 2.2.1 AR模型 | 第18-19页 |
| 2.2.2 MA模型 | 第19页 |
| 2.2.3 ARMA模型 | 第19页 |
| 2.2.4 ARIMA模型 | 第19-20页 |
| 2.2.5 季节性ARIMA模型 | 第20-21页 |
| 2.3 基于ARIMA模型的商品条码注册量预测 | 第21-28页 |
| 2.3.1 平稳化 | 第21-24页 |
| 2.3.2 结构识别 | 第24-25页 |
| 2.3.3 参数估计 | 第25页 |
| 2.3.4 残差序列检验 | 第25-26页 |
| 2.3.5 预测结果与分析 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于神经网络的商品条码注册量预测 | 第29-51页 |
| 3.1 BP神经网络的原理 | 第29-32页 |
| 3.1.1 神经元 | 第29-30页 |
| 3.1.2 BP神经网络的结构 | 第30-31页 |
| 3.1.3 BP神经网络的学习算法 | 第31-32页 |
| 3.2 基于BP神经网络的商品条码注册量预测 | 第32-43页 |
| 3.2.1 传递函数的选择 | 第32-33页 |
| 3.2.2 BP神经网络的结构设计 | 第33-34页 |
| 3.2.3 训练样本的生成与预处理 | 第34-35页 |
| 3.2.4 权值的调整方法设计 | 第35-40页 |
| 3.2.5 预测模型的训练过程 | 第40-41页 |
| 3.2.6 预测结果与分析 | 第41-43页 |
| 3.3 RBF神经网络的原理 | 第43-45页 |
| 3.3.1 RBF神经网络的结构 | 第43-44页 |
| 3.3.2 RBF神经网络的学习算法 | 第44-45页 |
| 3.4 基于RBF神经网络的商品条码注册量预测 | 第45-50页 |
| 3.4.1 RBF神经网络结构的设计 | 第45-46页 |
| 3.4.2 基函数中心和扩展常数的确定 | 第46页 |
| 3.4.3 权值调整量的计算 | 第46-47页 |
| 3.4.4 预测结果与分析 | 第47-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于ARIMA与神经网络集成模型的商品条码注册量预测 | 第51-67页 |
| 4.1 基于ARIMA-BP集成模型的商品条码注册量预测 | 第51-58页 |
| 4.1.1 ARIMA-BP权重组合集成模型 | 第51-55页 |
| 4.1.2 ARIMA-BP误差校正集成模型 | 第55-57页 |
| 4.1.3 ARIMA-BP集成模型与单一模型的预测精度比较 | 第57-58页 |
| 4.2 基于ARIMA-RBF集成模型的商品条码注册量预测 | 第58-61页 |
| 4.2.1 ARIMA-RBF权重组合集成模型 | 第58-59页 |
| 4.2.2 ARIMA-RBF误差校正集成模型 | 第59-60页 |
| 4.2.3 ARIMA-RBF集成模型与单一模型的预测精度比较 | 第60-61页 |
| 4.3 基于ARIMA-BP-RBF集成模型的商品条码注册量预测 | 第61-66页 |
| 4.3.1 BP-RBF集成模型 | 第61-63页 |
| 4.3.2 ARIMA-BP-RBF集成模型 | 第63-64页 |
| 4.3.3 预测结果与分析 | 第64-65页 |
| 4.3.4 集成模型的预测精度比较 | 第65-66页 |
| 4.4 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
