时间序列分析法在移动通信数据分析中的研究与应用
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-10页 |
| CONTENTS | 第10-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题背景 | 第12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 时间序列分析的研究现状 | 第13-16页 |
| 1.3.2 支持向量机的研究现状 | 第16页 |
| 1.4 论文主要工作及章节安排 | 第16-18页 |
| 第二章 时间序列相关理论基础 | 第18-25页 |
| 2.1 时间序列相关知识 | 第18-21页 |
| 2.1.1 时间序列的概念 | 第18-19页 |
| 2.1.2 时间序列分析的原则及应用 | 第19-21页 |
| 2.2 差分自回归移动平均模型 | 第21-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于移动通信时间序列数据的预测模型 | 第25-34页 |
| 3.1 预测分析体系结构 | 第25-26页 |
| 3.2 数据预处理 | 第26-31页 |
| 3.3 预测学习 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第四章 ARIMA及SVM在移动通信数据中应用 | 第34-54页 |
| 4.1 ARIMA在移动通信数据中的应用 | 第34-39页 |
| 4.1.1 移动通信序列预测的建模流程 | 第34-35页 |
| 4.1.2 平稳性检验与差分运算 | 第35-37页 |
| 4.1.3 白噪声检验 | 第37-38页 |
| 4.1.4 模型定阶及参数估计 | 第38-39页 |
| 4.2 SVM在移动通信数据中的应用 | 第39-45页 |
| 4.2.1 线性回归情况 | 第42-43页 |
| 4.2.2 非线性回归情况 | 第43-45页 |
| 4.3 影响预测性能的因素 | 第45页 |
| 4.4 移动通信序列中核函数的构造 | 第45-46页 |
| 4.5 改进的粒子群算法优化SVM | 第46-51页 |
| 4.5.1 粒子群优化算法的基本思想 | 第47-48页 |
| 4.5.2 基于移动通信序列的粒子群算法 | 第48-49页 |
| 4.5.3 改进的PSO优化混合核SVM流程 | 第49-51页 |
| 4.6 评价模型预测效果的性能指标 | 第51-52页 |
| 4.7 本章小结 | 第52-54页 |
| 第五章 实验结果及分析 | 第54-60页 |
| 5.1 实验环境 | 第54页 |
| 5.2 数据来源 | 第54-56页 |
| 5.3 实验结果 | 第56-58页 |
| 5.4 结果分析 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间从事的科研项目及发表的论文 | 第66-68页 |
| 致谢 | 第68页 |
