| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 地下水水位预测国内外研究现状 | 第9-12页 |
| 1.3 研究区域选择与概况 | 第12-13页 |
| 1.3.1 研究区域的选择 | 第12页 |
| 1.3.2 研究区域的概况 | 第12-13页 |
| 1.4 论文研究内容 | 第13-16页 |
| 1.4.1 研究内容 | 第13-14页 |
| 1.4.2 研究方案 | 第14-15页 |
| 1.4.3 技术路线 | 第15-16页 |
| 1.4.4 本文的创新点 | 第16页 |
| 1.5 文章结构 | 第16-18页 |
| 第二章 灰色理论与机器学习方法 | 第18-29页 |
| 2.1 研究背景 | 第18-19页 |
| 2.2 灰色理论 | 第19-22页 |
| 2.2.1 灰色理论基本概念 | 第19-20页 |
| 2.2.2 灰色模型的建立 | 第20-21页 |
| 2.2.3 改进的灰色模型 | 第21页 |
| 2.2.4 灰色关联分析 | 第21-22页 |
| 2.3 机器学习方法 | 第22-28页 |
| 2.3.1 BP神经网络工作原理 | 第22-23页 |
| 2.3.2 RBF神经网络工作原理 | 第23-24页 |
| 2.3.3 SVM工作原理 | 第24-26页 |
| 2.3.4 通用向量机工作原理 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于混合模型的地下水水位时间序列预测 | 第29-44页 |
| 3.1 研究背景 | 第29-30页 |
| 3.2 数据描述与实验环境 | 第30-31页 |
| 3.2.1 数据描述 | 第30-31页 |
| 3.2.2 实验环境 | 第31页 |
| 3.3 单一模型对地下水水位时间序列预测 | 第31-37页 |
| 3.3.1 IGM对地下水水位时间序列预测 | 第31-32页 |
| 3.3.2 机器学习方法对地下水水位时间序列预测 | 第32-37页 |
| 3.4 IGM-ML混合模型对地下水水位时间序列预测 | 第37-39页 |
| 3.4.1 IGM-ML混合模型的实现 | 第37-38页 |
| 3.4.2 结果与分析 | 第38-39页 |
| 3.5 单一模型与IGM-ML混合模型的预测结果对比 | 第39-42页 |
| 3.6 IGM-GVM混合模型对其他站点地下水水位进行时间序列预测 | 第42-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第四章 基于混合模型的地下水水位时空缺失数据修复 | 第44-57页 |
| 4.1 研究背景 | 第44-46页 |
| 4.2 本章数据描述 | 第46-47页 |
| 4.2.1 分析数据缺失类型 | 第46页 |
| 4.2.2 数据描述 | 第46-47页 |
| 4.3 Kriging插值 | 第47-48页 |
| 4.4 GRA-ML混合模型对地下水水位时空缺失数据修复 | 第48-52页 |
| 4.4.1 GRA-ML混合模型的实现 | 第48-51页 |
| 4.4.2 结果与分析 | 第51-52页 |
| 4.5 站点数对预测结果的影响 | 第52-53页 |
| 4.6 GRA-GVM混合模型对其他站点的地下水水位时空缺失数据修复 | 第53-55页 |
| 4.7 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 论文总结 | 第57-58页 |
| 5.2 下一步研究展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 在学期间的研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
