| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.3 本文工作 | 第15-16页 |
| 1.4 本文创新点 | 第16页 |
| 1.5 论文章节安排 | 第16-18页 |
| 第二章 深度学习理论 | 第18-35页 |
| 2.1 深度学习及深度神经网络 | 第18-20页 |
| 2.1.1 深度学习的概念 | 第18-19页 |
| 2.1.2 深度学习的历史 | 第19-20页 |
| 2.2 深度学习的基础知识 | 第20-26页 |
| 2.2.1 M-P神经元模型与感知机 | 第21-22页 |
| 2.2.2 感知机的训练与梯度下降算法 | 第22-23页 |
| 2.2.3 多层网络与误差反向传播算法 | 第23-26页 |
| 2.3 RNN基本理论 | 第26-30页 |
| 2.3.1 RNN的概念与原理 | 第26-27页 |
| 2.3.2 RNN的训练与BPTT | 第27-29页 |
| 2.3.3 RNN的优势与缺点 | 第29-30页 |
| 2.4 DBN与CRBM基本理论 | 第30-35页 |
| 2.4.1 RBM基本理论 | 第30-32页 |
| 2.4.2 CRBM基本理论 | 第32-34页 |
| 2.4.3 DBN网络模型 | 第34-35页 |
| 第三章 基于LSTM的时间序列预测模型 | 第35-45页 |
| 3.1 基于LSTM的时间序列预测模型 | 第35-41页 |
| 3.1.1 基于LSTM的时间序列预测模型架构 | 第35-37页 |
| 3.1.2 LSTM基本原理 | 第37-39页 |
| 3.1.3 一步时间序列预测模型的训练与预测 | 第39-40页 |
| 3.1.4 多步时间序列预测模型的训练与预测 | 第40-41页 |
| 3.2 实验性能仿真分析 | 第41-45页 |
| 3.2.1 实验环境与数据介绍 | 第41页 |
| 3.2.2 一步时间序列预测模型的实验仿真 | 第41-43页 |
| 3.2.3 多步时间序列预测模型的实验仿真 | 第43-45页 |
| 第四章 基于DCRBM的时间序列预测模型 | 第45-54页 |
| 4.1 基于DCRBM的时间序列预测模型 | 第45-49页 |
| 4.1.1 基于DCRBM的时间序列预测模型 | 第45-46页 |
| 4.1.2 DCRBM的原理 | 第46-48页 |
| 4.1.3 基于DCRBM的时间序列模型的训练与预测 | 第48-49页 |
| 4.2 实验性能仿真分析 | 第49-54页 |
| 4.2.1 实验环境与数据介绍 | 第49-50页 |
| 4.2.2 DCRBM-DBN模型的实验仿真 | 第50-54页 |
| 第五章 深度学习时间序列模型在移动业务预测中的应用 | 第54-65页 |
| 5.1 移动业务的实际问题与解决方案 | 第54-58页 |
| 5.1.1 移动业务背景与方案 | 第54-56页 |
| 5.1.2 数据统计与分析 | 第56-58页 |
| 5.2 基于LSTM的移动业务量预测 | 第58-60页 |
| 5.2.1 各小区总体预测精度 | 第58-59页 |
| 5.2.2 不同小区各虚拟栅格预测精度 | 第59-60页 |
| 5.3 基于DCRBM-DBN的移动业务量预测 | 第60-62页 |
| 5.3.1 各小区总体预测精度 | 第60-61页 |
| 5.3.2 不同小区各虚拟栅格预测精度 | 第61-62页 |
| 5.4 两种深度学习模型的对比分析 | 第62-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间发表的学术论文目录 | 第73页 |