| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 课题来源 | 第12页 |
| 1.2 研究背景及意义 | 第12-13页 |
| 1.3 国内外研究概况 | 第13-19页 |
| 1.3.1 时间序列分类研究概况 | 第13-15页 |
| 1.3.2 深度学习研究概况 | 第15-16页 |
| 1.3.3 股票时间序列预测研究概况 | 第16-18页 |
| 1.3.4 海面温度预测研究概况 | 第18-19页 |
| 1.4 主要研究内容 | 第19-20页 |
| 1.5 论文结构和技术路线 | 第20-23页 |
| 1.5.1 论文结构 | 第20-21页 |
| 1.5.2 技术路线 | 第21-23页 |
| 第二章 时间序列挖掘与深度学习 | 第23-31页 |
| 2.1 时间序列 | 第23-25页 |
| 2.1.1 多元时间序列 | 第23-24页 |
| 2.1.2 金融时间序列 | 第24-25页 |
| 2.2 卷积神经网络 | 第25-27页 |
| 2.3 长短时记忆神经网络 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于R/S分析的时间序列综合分析模型 | 第31-39页 |
| 3.1 时间序列长记忆性分析 | 第31-34页 |
| 3.1.1 长记忆性定义 | 第31-32页 |
| 3.1.2 R/S分析方法 | 第32-34页 |
| 3.2 时间序列复杂性分析 | 第34-36页 |
| 3.3 时间序列异步性分析 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于长记忆性分析的时间序列分类模型及标准数据集实验验证 | 第39-53页 |
| 4.1 时间序列分类问题描述 | 第39-40页 |
| 4.2 基于长短期依赖的深度神经网络分类模型 | 第40-45页 |
| 4.2.1 模型结构图 | 第40-41页 |
| 4.2.2 数据处理 | 第41-42页 |
| 4.2.3 特征提取 | 第42-44页 |
| 4.2.4 防止过拟合 | 第44页 |
| 4.2.5 分类阶段 | 第44-45页 |
| 4.3 LCNN的标准数据集实验验证 | 第45-52页 |
| 4.3.1 数据集介绍及长记性分析 | 第45-47页 |
| 4.3.2 参数设置 | 第47-48页 |
| 4.3.3 对比评估方法 | 第48-49页 |
| 4.3.4 实验结果与分析 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 LCNN在金融和海洋中的示范应用 | 第53-72页 |
| 5.1 股票数据和海洋数据的收集与处理 | 第53-57页 |
| 5.1.1 股票数据收集与分析 | 第53-55页 |
| 5.1.2 海洋数据的收集与分析 | 第55-56页 |
| 5.1.3 时间序列数据预处理方法 | 第56-57页 |
| 5.2 基于LCNN模型的股票涨跌趋势预测分析 | 第57-66页 |
| 5.2.1 基于CEM的股票时间序列长记忆与波动趋势特点分析 | 第57-61页 |
| 5.2.2 股票收盘价数据集划分 | 第61-62页 |
| 5.2.3 基于LCNN的股票涨跌趋势预测模型的实验参数设置 | 第62-63页 |
| 5.2.4 基于LCNN模型的股票涨跌趋势预测结果与分析 | 第63-66页 |
| 5.3 基于LCNN模型的海面温度预测分析 | 第66-71页 |
| 5.3.1 基于CEM的海面温度时间序列长记忆与波动趋势特点分析 | 第66-68页 |
| 5.3.2 海表面温度数据集划分 | 第68-69页 |
| 5.3.3 基于LCNN的海面温度预测模型的实验参数设置 | 第69页 |
| 5.3.4 基于LCNN模型的海面温度预测的结果与分析 | 第69-71页 |
| 5.4 本章小节 | 第71-72页 |
| 第六章 研究结论与展望 | 第72-74页 |
| 6.1 研究结论 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 作者在攻读硕士学位期间公开发表的论文 | 第80-81页 |
| 作者在攻读硕士学位期间所作的项目 | 第81-82页 |
| 致谢 | 第82页 |
