| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第6-10页 |
| 1 研究的动机和意义 | 第6-7页 |
| 1.1 研究的动机 | 第6-7页 |
| 1.2 研究意义 | 第7页 |
| 2 研究背景 | 第7-8页 |
| 3 论文结构 | 第8-10页 |
| 第二章 经典时间序列分析方法及局限性 | 第10-21页 |
| 1 时间序列分析的发展与基本理论 | 第10-12页 |
| 2 经典时间序列分析 | 第12-21页 |
| 2.1 ARIMA模型体系 | 第12-14页 |
| 2.1.1 自回归（AR）模型 | 第12-13页 |
| 2.1.2 移动平均（MA）模型 | 第13页 |
| 2.1.3 自回归移动平均（ARMA）模型 | 第13-14页 |
| 2.1.4 求和自回归移动平均（ARIMA）模型 | 第14页 |
| 2.2 经典时间序列建模方法 | 第14-21页 |
| 2.2.1 平稳性检验 | 第15-16页 |
| 2.2.2 模型的识别 | 第16页 |
| 2.2.3 参数估计 | 第16-19页 |
| 2.2.4 模型的检验与优化 | 第19-20页 |
| 2.2.5 经典时间序列分析的局限性 | 第20-21页 |
| 第三章 短时间序列分析方法 | 第21-32页 |
| 1 灰色预测模型 | 第21-22页 |
| 2 巴斯模型 | 第22-23页 |
| 3 数据挖掘模型 | 第23-25页 |
| 3.1 神经网络模型 | 第23-25页 |
| 3.2 支持向量机 | 第25页 |
| 4 稳定季节性贝叶斯模型（SSBM） | 第25-32页 |
| 4.1 稳定季节性 | 第26-28页 |
| 4.2 贝叶斯模型 | 第28-32页 |
| 4.2.1 似然函数的求解 | 第28-29页 |
| 4.2.2 构造后验分布 | 第29-30页 |
| 4.2.3 X_(T+1) 的预测 | 第30-32页 |
| 第四章 短时间序列预测建模方法 | 第32-48页 |
| 1 短时间序列集的预测调和方法 | 第32-38页 |
| 1.1 调和方法的基本原理 | 第32-35页 |
| 1.2 ARIMA模型的预测 | 第35-36页 |
| 1.3 分摊比例的调和方法 | 第36-37页 |
| 1.4 调和结果分析 | 第37-38页 |
| 2 短时间序列季节性贝叶斯模型 | 第38-48页 |
| 2.1 贝叶斯理论 | 第38-39页 |
| 2.2 季节性贝叶斯模型 | 第39页 |
| 2.3 正态总体的稳定季节性贝叶斯模型（N-SSBM） | 第39-48页 |
| 2.3.1 稳定季节性回顾 | 第39-43页 |
| 2.3.2 模型阐述 | 第43-44页 |
| 2.3.3 贝叶斯分析方法 | 第44-46页 |
| 2.3.4 结果对比 | 第46-48页 |
| 第五章N-SSBM在航空旅客量上的应用 | 第48-61页 |
| 1 基于ARIMA模型的预测 | 第48-53页 |
| 2 基于N-SSBM的预测 | 第53-59页 |
| 第六章 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间发表的学术论文 | 第69-70页 |