非线性方法的时间序列组合模型在农产品价格预测中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国外农产品价格预测研究现状 | 第11-12页 |
| 1.2.2 国内农产品价格预测研究现状 | 第12-15页 |
| 1.3 论文的主要研究工作及创新点 | 第15页 |
| 1.4 论文主要结构 | 第15-17页 |
| 2 非线性时间序列预测方法 | 第17-26页 |
| 2.1 非线性时间序列相关介绍 | 第17-20页 |
| 2.1.1 非线性时间序列的定义 | 第17页 |
| 2.1.2 非线性时间序列的预处理 | 第17-20页 |
| 2.2 非线性时间序列的预测方法 | 第20-22页 |
| 2.2.1 基于相似性的方法 | 第20-21页 |
| 2.2.2 基于统计的方法 | 第21页 |
| 2.2.3 基于人工智能的方法 | 第21-22页 |
| 2.3 组合预测方法及评价标准 | 第22-25页 |
| 2.3.1 组合预测模型原理 | 第22页 |
| 2.3.2 组合权重的确定 | 第22-23页 |
| 2.3.3 预测方法的评价标准 | 第23-24页 |
| 2.3.4 预测结果的评估方法 | 第24-25页 |
| 2.4 小结 | 第25-26页 |
| 3 非线性有源自回归神经网络预测模型 | 第26-32页 |
| 3.1 人工神经网络 | 第26-28页 |
| 3.1.1 人工神经网络的原理 | 第26-27页 |
| 3.1.2 人工神经网络的特征 | 第27页 |
| 3.1.3 人工神经网络的学习方法 | 第27-28页 |
| 3.2 非线性有源自回归神经网络 | 第28-29页 |
| 3.3 实验分析 | 第29-31页 |
| 3.4 小结 | 第31-32页 |
| 4 广义自回归条件异方差预测模型 | 第32-39页 |
| 4.1 自回归法进行时间序列预测的理论 | 第32-33页 |
| 4.1.1 时间序列的自相关性判断 | 第32-33页 |
| 4.1.2 自回归模型的建立 | 第33页 |
| 4.2 自回归条件异方差模型 | 第33-34页 |
| 4.3 广义自回归条件异方差模型 | 第34-35页 |
| 4.4 实验分析 | 第35-38页 |
| 4.5 小结 | 第38-39页 |
| 5 非线性组合预测模型的构建 | 第39-48页 |
| 5.1 基于小波的GARCH-NARX组合模型 | 第39-45页 |
| 5.1.1 预测过程 | 第39-40页 |
| 5.1.2 实验步骤 | 第40-45页 |
| 5.2 预测结果及对比分析 | 第45-47页 |
| 5.2.1 预测结果 | 第45-46页 |
| 5.2.2 实验分析 | 第46-47页 |
| 5.3 小结 | 第47-48页 |
| 结论 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读学位期间的研究成果 | 第55页 |
