| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·城市日用水量预测的重要性 | 第9页 |
| ·国内外城市日用水量预测的研究现状 | 第9-14页 |
| ·时间序列预测方法 | 第10-11页 |
| ·解释性预测方法 | 第11-14页 |
| ·存在的问题和不足 | 第14-15页 |
| ·本论文的主要内容 | 第15页 |
| ·本论文的创新点 | 第15页 |
| ·本章小结 | 第15-16页 |
| 第二章 基于支持向量机的等维新息日用水量预测模型 | 第16-32页 |
| ·支持向量机的基本理论 | 第16-21页 |
| ·引言 | 第16页 |
| ·统计学习理论基础 | 第16-17页 |
| ·支持向量机理论 | 第17-20页 |
| ·支持向量回归模型及核函数 | 第20-21页 |
| ·基于支持向量机的等维新息日用水量预测模型 | 第21-31页 |
| ·日用水量序列的相关性分析 | 第21-23页 |
| ·采用粗糙集算法分析日用水量的主要影响因素 | 第23-30页 |
| ·等维新息日用水量预测模型的建立 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 日用水量贝叶斯概率预测理论 | 第32-39页 |
| ·日用水量概率预测的特点 | 第32页 |
| ·日用水量贝叶斯预测原理 | 第32-34页 |
| ·日用水量不确定性处理 | 第34-35页 |
| ·先验分布的确定方法 | 第35-36页 |
| ·似然函数的确定方法 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 AM-MCMC 算法 | 第39-45页 |
| ·MCMC 算法 | 第39-43页 |
| ·Metropolis 算法 | 第40页 |
| ·Metropolis-Hastings 算法 | 第40页 |
| ·Gibbs 算法 | 第40-41页 |
| ·AM-MCMC 算法 | 第41-43页 |
| ·收敛准则 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 基于支持向量机和 AM-MCMC 算法的日用水量贝叶斯概率预测 | 第45-58页 |
| ·基于 SVM 的日用水量预测模型 | 第45-49页 |
| ·日用水量预测模型的输入参数分析 | 第45-47页 |
| ·基于 SVM 的日用水量建模和预测 | 第47-49页 |
| ·基于 SVM 的先验密度和似然函数 | 第49-50页 |
| ·先验密度的 SVM 模型 | 第49-50页 |
| ·似然函数的 SVM 模型 | 第50页 |
| ·日用水量贝叶斯概率预测 | 第50-56页 |
| ·建立先验密度和似然函数 | 第51-53页 |
| ·日用水量概率预测 | 第53-56页 |
| ·本章小结 | 第56-58页 |
| 第六章 结论与展望 | 第58-60页 |
| ·研究结论 | 第58页 |
| ·研究展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间录用与发表的学术论文目录 | 第65页 |