| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 预测方法研究现状 | 第11-14页 |
| 1.2.1 时间序列法 | 第11页 |
| 1.2.2 小波分析法 | 第11-12页 |
| 1.2.3 灰色预测法 | 第12页 |
| 1.2.4 人工神经网络预测法 | 第12-13页 |
| 1.2.5 组合预测法 | 第13-14页 |
| 1.3 论文结构 | 第14-16页 |
| 第2章 基础知识 | 第16-26页 |
| 2.1 时间序列分析模型 | 第16-17页 |
| 2.1.1 自回归滑动平均模型 | 第16页 |
| 2.1.2 求和自回归移动平均模型 | 第16-17页 |
| 2.2 小波分析及其相关理论研究 | 第17-21页 |
| 2.2.1 小波分析概述 | 第17-19页 |
| 2.2.2 常用的小波函数 | 第19-21页 |
| 2.3 神经网络理论 | 第21-25页 |
| 2.3.1 神经网络的处理单元 | 第21-23页 |
| 2.3.2 神经网络的常见模型 | 第23页 |
| 2.3.3 神经网络的学习规则 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于我国第三产业的时间序列分析研究 | 第26-34页 |
| 3.1 求和自回归滑动平均模型的预测过程 | 第26-27页 |
| 3.2 灰色 GM(1,1)模型预测 | 第27-28页 |
| 3.3 非平稳时间序列预测过程 | 第28-31页 |
| 3.4 拟合数据分析 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 小波阈值去噪算法研究 | 第34-40页 |
| 4.1 小波阈值去噪原理 | 第34-35页 |
| 4.2 改进的阈值函数 | 第35-36页 |
| 4.3 自适应阈值的调整 | 第36-37页 |
| 4.4 仿真实验结果与分析 | 第37-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 结合小波分析和神经网络的秦皇岛市旅游人口分析与预测 | 第40-50页 |
| 5.1 小波神经网络介绍 | 第40-41页 |
| 5.2 BP 神经网络模型 | 第41-43页 |
| 5.2.1 BP 神经网络介绍 | 第41页 |
| 5.2.2 BP 神经网络学习算法 | 第41-43页 |
| 5.3 小波分解和神经网络组合预测 | 第43-45页 |
| 5.4 实例分析 | 第45-49页 |
| 5.4.1 秦皇岛市旅游人口时间序列分解与重构 | 第45-46页 |
| 5.4.2 各层旅游人口分量预测及结果合成 | 第46-47页 |
| 5.4.3 预测结果误差分析 | 第47-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 组合预测模型研究 | 第50-58页 |
| 6.1 组合预测模型的发展 | 第50页 |
| 6.2 基于时间权重的组合预测模型的建立 | 第50-52页 |
| 6.2.1 组合预测模型 | 第50-51页 |
| 6.2.2 考虑时间权重的组合预测模型 | 第51页 |
| 6.2.3 时间权重应满足的条件 | 第51-52页 |
| 6.3 模型的求解过程 | 第52-54页 |
| 6.4 组合预测模型的具体步骤 | 第54页 |
| 6.5 实例分析 | 第54-57页 |
| 6.6 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66页 |