| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景 | 第8页 |
| 1.2 课题研究的目的与意义 | 第8-9页 |
| 1.3 时间序列研究现状 | 第9-12页 |
| 1.3.1 统计学方法研究现状 | 第10-12页 |
| 1.3.2 神经网络研究现状 | 第12页 |
| 1.4 课题主要工作与组织结构安排 | 第12-14页 |
| 2 ARIMAX 模型理论 | 第14-21页 |
| 2.1 引言 | 第14页 |
| 2.2 平稳时间序列 | 第14-15页 |
| 2.3 ARIMAX 模型理论 | 第15-17页 |
| 2.3.1 差分平稳化 | 第15页 |
| 2.3.2 ARIMA模型 | 第15-17页 |
| 2.4 ARIMAX 模型的建模步骤 | 第17-20页 |
| 2.4.1 序列平稳性检验 | 第17-18页 |
| 2.4.2 模型识别与定阶 | 第18页 |
| 2.4.3 模型参数估计 | 第18-19页 |
| 2.4.4 模型适应性检验 | 第19页 |
| 2.4.5 模型预测 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 3 基于LSTM的时间序列分析 | 第21-37页 |
| 3.1 特征工程 | 第21-24页 |
| 3.1.1 特征表达 | 第21-22页 |
| 3.1.2 特征选择 | 第22-24页 |
| 3.2 主成分分析 | 第24-27页 |
| 3.2.1 主成分分析 | 第24-27页 |
| 3.2.2 核主成分分析 | 第27页 |
| 3.3 循环神经网络RNN | 第27-30页 |
| 3.3.1 RNN算法结构 | 第27-28页 |
| 3.3.2 RNN算法推导 | 第28-30页 |
| 3.4 LSTM算法模型 | 第30-35页 |
| 3.4.1 LSTM算法结构 | 第30-34页 |
| 3.4.2 LSTM算法推导 | 第34-35页 |
| 3.5 ARIMA-LSTM 算法模型 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 模型建立与模型预测 | 第37-54页 |
| 4.1 引言 | 第37页 |
| 4.2 ARIMAX 模型建模过程 | 第37-45页 |
| 4.2.1 数据预处理 | 第37-38页 |
| 4.2.2 序列的平稳性检验 | 第38-41页 |
| 4.2.3 模型定阶 | 第41页 |
| 4.2.4 模型优化 | 第41-42页 |
| 4.2.5 ARIMAX 模型建立 | 第42-43页 |
| 4.2.6 ARIMAX 模型和 ARIMA 模型预测 | 第43-45页 |
| 4.3 LSTM模型的建模 | 第45-52页 |
| 4.3.1 实验环境和数据 | 第45-47页 |
| 4.3.2 特征工程 | 第47-49页 |
| 4.3.3 LSTM模型的实现 | 第49-51页 |
| 4.3.4 ARIMA-LSTM 模型的实现 | 第51-52页 |
| 4.4 本章小结 | 第52-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54页 |
| 5.2 研究展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 个人成果 | 第61-62页 |
| 致谢 | 第62页 |