| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外发展现状 | 第9-11页 |
| 1.3 本文章节安排 | 第11-13页 |
| 2 相关技术研究 | 第13-19页 |
| 2.1 时序的异常检测 | 第13-14页 |
| 2.2 时序序列的线性表示 | 第14页 |
| 2.3 时间序列的聚类 | 第14-16页 |
| 2.4 时序的预测 | 第16-19页 |
| 2.4.1 传统的自回归模型和移动平均模型(ARMA) | 第16-17页 |
| 2.4.2 传统的神经网络模型 | 第17页 |
| 2.4.3 深度神经网络模型LSTM | 第17-19页 |
| 3 一种根据重要点的时间序列线性表示方法 | 第19-29页 |
| 3.1 背景介绍 | 第19页 |
| 3.2 基本概念与理论 | 第19-21页 |
| 3.2.1 时间序列 | 第19页 |
| 3.2.2 时间序列的基本概念 | 第19-20页 |
| 3.2.3 问题分析 | 第20-21页 |
| 3.3 算法设计 | 第21-23页 |
| 3.4 实验与分析 | 第23-27页 |
| 3.4.1 数据集描述 | 第23-24页 |
| 3.4.2 拟合结果 | 第24-25页 |
| 3.4.3 算法分段拟合误差比较 | 第25-27页 |
| 3.4.4 算法耗时分析与比较 | 第27页 |
| 3.5 本章小结 | 第27-29页 |
| 4 一种基于LSTM神经网络的股票预测方法 | 第29-47页 |
| 4.1 背景介绍 | 第29-33页 |
| 4.2 基本概念与理论 | 第33-39页 |
| 4.2.1 PCA降维 | 第33-36页 |
| 4.2.2 dropout | 第36-37页 |
| 4.2.3 BPTT算法 | 第37页 |
| 4.2.4 TensorFlow | 第37-39页 |
| 4.3 算法设计 | 第39-41页 |
| 4.3.1 数据的预处理 | 第39页 |
| 4.3.2 利用PCA对训练样本进行特征降维 | 第39-40页 |
| 4.3.3 LSTM网络模型的训练和测试 | 第40-41页 |
| 4.3.4 网络模型评价准则 | 第41页 |
| 4.4 实验数据集介绍 | 第41-42页 |
| 4.5 实验结果及其对比分析 | 第42-45页 |
| 4.6 本章小结 | 第45-47页 |
| 5 结论 | 第47-49页 |
| 5.1 全文总结 | 第47页 |
| 5.2 论文的创新点 | 第47-48页 |
| 5.3 论文的不足之处 | 第48页 |
| 5.4 未来展望 | 第48-49页 |
| 6 参考文献 | 第49-55页 |
| 7 攻读学位期间发表的学术论文和所做的项目 | 第55-56页 |
| 8 致谢 | 第56-57页 |