| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文的主要研究内容 | 第10-11页 |
| 1.4 文章结构 | 第11-13页 |
| 2 时间序列分析 | 第13-33页 |
| 2.1 时间序列分析概述 | 第13-15页 |
| 2.1.1 时间序列的概念 | 第13-14页 |
| 2.1.2 时间序列的种类 | 第14-15页 |
| 2.2 时间序列分析方法 | 第15-32页 |
| 2.2.1 确定型时间序列模型 | 第15-17页 |
| 2.2.2 非确定型时间序列模型 | 第17-18页 |
| 2.2.3 ARIMA模型 | 第18-28页 |
| 2.2.4 回归预测法 | 第28-29页 |
| 2.2.5 人工神经网络 | 第29-31页 |
| 2.2.6 支持向量机 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 3 基于模型拟合准则的ARIMA剪枝定阶模型 | 第33-39页 |
| 3.1 模型选型 | 第33-34页 |
| 3.2 改进的ARIMA算法 | 第34-37页 |
| 3.2.1 改进的模型定阶方法 | 第34-36页 |
| 3.2.2 基于改进的ARIMA模型的时间序列预测流程 | 第36-37页 |
| 3.3 本章小结 | 第37-39页 |
| 4 实验结果分析 | 第39-52页 |
| 4.1 实验结果精度分析 | 第39-49页 |
| 4.2 实验时间复杂度改进 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 5 系统实现 | 第52-64页 |
| 5.1 系统的结构 | 第52-54页 |
| 5.2 系统的主要功能模块设计 | 第54-63页 |
| 5.2.1 技术数据维护模块主要数据表简介 | 第54-59页 |
| 5.2.2 模型训练模块 | 第59页 |
| 5.2.3 预测分析模块 | 第59-63页 |
| 5.3 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 本文总结 | 第64页 |
| 6.2 研究展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-69页 |