| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.1.1 复杂时间序列 | 第8-9页 |
| 1.1.2 复杂时间序列分析的意义 | 第9页 |
| 1.1.3 复杂时间序列修复的意义 | 第9页 |
| 1.1.4 传统方法的局限与深度学习方法的优势 | 第9页 |
| 1.2 时间序列分析的发展概况 | 第9-11页 |
| 1.2.1 时间序列分析 | 第9-10页 |
| 1.2.2 时间序列修复与容忍数据缺失的算法 | 第10-11页 |
| 1.2.3 传统方法的问题和局限 | 第11页 |
| 1.3 深度学习与时间序列 | 第11-14页 |
| 1.3.1 卷积神经网络 | 第11-12页 |
| 1.3.2 循环神经网络 | 第12-13页 |
| 1.3.3 生成对抗网络 | 第13页 |
| 1.3.4 硬件与计算框架 | 第13页 |
| 1.3.5 目前方法的问题与局限 | 第13-14页 |
| 1.4 本文的主要研究内容 | 第14-16页 |
| 1.4.1 容忍数据缺失的时间序列预测算法研究 | 第14-15页 |
| 1.4.2 基于条件随机场的复杂时间序列分析 | 第15页 |
| 1.4.3 基于对抗生成网络的复杂时间序列修复算法 | 第15-16页 |
| 第2章 容忍数据缺失的时间序列预测算法研究 | 第16-41页 |
| 2.1 引言 | 第16页 |
| 2.2 容忍数据缺失的任意时间时间序列预测算法 | 第16-24页 |
| 2.2.1 问题描述假设 | 第16页 |
| 2.2.2 算法 | 第16-24页 |
| 2.3 容忍数据缺失的在线时间序列预测算法：对比实验 | 第24-40页 |
| 2.3.1 自回归模型和设定 | 第24页 |
| 2.3.2 Yule-Walker方法 | 第24-26页 |
| 2.3.3 卡尔曼滤波器 | 第26-27页 |
| 2.3.4 在线梯度下降 | 第27-29页 |
| 2.3.5 ARLS算法 | 第29-30页 |
| 2.3.6 不同的应对数据缺失的方式 | 第30-32页 |
| 2.3.7 对比实验设定 | 第32-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第3章 基于条件随机场的复杂时间序列分析 | 第41-52页 |
| 3.1 引言 | 第41页 |
| 3.2 条件随机场 | 第41-42页 |
| 3.3 利用条件随机场进行STACKING集成学习 | 第42-45页 |
| 3.3.1 Stacking | 第42页 |
| 3.3.2 基于条件随机场与Stacking的复杂时间序列趋势预测 | 第42-45页 |
| 3.4 利用条件随机场解决回归问题与深度学习 | 第45-51页 |
| 3.4.1 将回归问题转化为分类问题 | 第45-46页 |
| 3.4.2 针对回归问题的条件随机场 | 第46-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 基于对抗神经网络的复杂时间序列修复 | 第52-63页 |
| 4.1 引言 | 第52页 |
| 4.2 生成对抗网络的前沿成果分析 | 第52-56页 |
| 4.2.0 生成对抗网络 | 第52-53页 |
| 4.2.1 超分辨 | 第53页 |
| 4.2.2 基于生成对抗网络的超分辨算法 | 第53-56页 |
| 4.3 基于生成对抗网络的复杂时间序列修复 | 第56-62页 |
| 4.3.1 容忍数据缺失的生成网络 | 第56-58页 |
| 4.3.2 生成对抗网络 | 第58-60页 |
| 4.3.3 训练过程与实验 | 第60-62页 |
| 4.4 本章小节 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第70-72页 |
| 致谢 | 第72页 |
