| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 国内外研究现状 | 第7-10页 |
| 1.2 建模思路 | 第10页 |
| 1.3 文章安排与创新点 | 第10-12页 |
| 第二章 基本方法和模型构建 | 第12-21页 |
| 2.1 季节指数调整(SEA) | 第12页 |
| 2.2 集合经验模态分解(EEMD) | 第12-14页 |
| 2.2.1 经验模态分解(EMD) | 第12-13页 |
| 2.2.2 集合经验模态分解(EEMD) | 第13-14页 |
| 2.3 广义回归神经网络(GRNN) | 第14-16页 |
| 2.4 Elman神经网络 | 第16-17页 |
| 2.5 极限学习机(ELM) | 第17-18页 |
| 2.6 粒子群优化算法(PSO) | 第18页 |
| 2.7 PSO-Elman神经网络模型 | 第18-19页 |
| 2.8 模型构建过程 | 第19-21页 |
| 第三章 实证分析与案例研究 | 第21-33页 |
| 3.1 数据信息 | 第21-22页 |
| 3.2 模型评价标准 | 第22-23页 |
| 3.3 模拟过程 | 第23-29页 |
| 3.3.1 季节指数调整 | 第23页 |
| 3.3.2 序列分解 | 第23-25页 |
| 3.3.3 输入变量个数的选取 | 第25-26页 |
| 3.3.4 原始序列的预测 | 第26-28页 |
| 3.3.5 模型比较 | 第28-29页 |
| 3.4 混合优化模型(SEA-EEMD-GPEE)对星期一数据的模拟 | 第29-33页 |
| 第四章 结论 | 第33-35页 |
| 4.1 主要结论 | 第33-34页 |
| 4.2 研究展望 | 第34-35页 |
| 参考文献 | 第35-37页 |
| 致谢 | 第37页 |