| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 国外研究现状 | 第8-9页 |
| 1.2.2 国内研究现状 | 第9-10页 |
| 1.2.3 存在的问题 | 第10页 |
| 1.3 论文主要研究内容 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 第2章 相关理论及算法 | 第12-26页 |
| 2.1 石油峰值模型概述 | 第12-16页 |
| 2.1.1 HUBBERT模型 | 第12-13页 |
| 2.1.2 广义翁氏模型 | 第13页 |
| 2.1.3 HCZ模型 | 第13-15页 |
| 2.1.4 模型求解 | 第15-16页 |
| 2.1.5 峰值模型与机器学习 | 第16页 |
| 2.2 机器学习概述 | 第16-20页 |
| 2.2.1 学习任务 | 第17页 |
| 2.2.2 学习流程 | 第17-18页 |
| 2.2.3 学习类型 | 第18-20页 |
| 2.2.4 学习方法 | 第20页 |
| 2.2.5 应用领域 | 第20页 |
| 2.3 有监督的回归学习方法 | 第20-24页 |
| 2.3.1 线性回归 | 第21-23页 |
| 2.3.2 梯度下降法 | 第23-24页 |
| 2.3.3 最小二乘法 | 第24页 |
| 2.4 异常点检测及处理 | 第24-25页 |
| 2.4.1 异常点的检测 | 第24-25页 |
| 2.4.2 异常点的处理 | 第25页 |
| 2.5 交叉验证 | 第25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 异常点检测 | 第26-34页 |
| 3.1 基于模型删除数据的异常点检测 | 第26页 |
| 3.2 异常点检测算法设计 | 第26-29页 |
| 3.2.1 线性回归 | 第26-28页 |
| 3.2.2 异常点检测算法 | 第28-29页 |
| 3.3 异常点检测算法验证 | 第29-31页 |
| 3.4 异常点检测算法应用 | 第31-34页 |
| 第4章 基于机器学习的石油峰值预测模型 | 第34-60页 |
| 4.1 基于逐步回归求解HUBBERT模型 | 第34-39页 |
| 4.1.1 确定最终可采储量 | 第34-38页 |
| 4.1.2 建立HUBBERT模型 | 第38-39页 |
| 4.2 基于单峰模型的分段预测模型 | 第39-43页 |
| 4.2.1 识别波谷特征的峰期检测 | 第40-42页 |
| 4.2.2 基于波谷识别的建模方法 | 第42-43页 |
| 4.3 基于分段线性拟合的多峰预测模型 | 第43-45页 |
| 4.3.1 多峰HUBBERT模型 | 第43-44页 |
| 4.3.2 多峰HUBBERT模型的分段拟合及建立 | 第44-45页 |
| 4.4 基于多项式拟合的多峰预测模型 | 第45-46页 |
| 4.4.1 多项式拟合模型 | 第45页 |
| 4.4.2 多峰预测模型的多项式拟合求解 | 第45-46页 |
| 4.5 基于动态规划的多峰预测模型建立 | 第46-50页 |
| 4.5.1 最优分段最小二乘 | 第47页 |
| 4.5.2 动态规划求解算法 | 第47-49页 |
| 4.5.3 多峰预测模型建立 | 第49-50页 |
| 4.6 基于机器学习的多峰预测模型应用 | 第50-57页 |
| 4.6.1 基于单峰模型的分段预测模型应用 | 第50-52页 |
| 4.6.2 基于分段线性回归的多峰预测模型应用 | 第52-53页 |
| 4.6.3 基于多项式拟合的多峰预测模型应用 | 第53-55页 |
| 4.6.4 基于动态规划的多峰预测模型的应用 | 第55-57页 |
| 4.7 模型的对比分析 | 第57-58页 |
| 4.8 本章小结 | 第58-60页 |
| 第5章 总结及展望 | 第60-61页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文 | 第66页 |