| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的和意义 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.4 本文研究内容及框架 | 第15-18页 |
| 第二章 预测相关理论及技术 | 第18-26页 |
| 2.1 传统的统计学预测方法 | 第18-21页 |
| 2.1.1 回归分析预测方法 | 第18-19页 |
| 2.1.2 趋势外推预测方法 | 第19-20页 |
| 2.1.3 灰色系统预测方法 | 第20页 |
| 2.1.4 时间序列预测法 | 第20-21页 |
| 2.2 新型的预测方法 | 第21-23页 |
| 2.2.1 神经网络预测法 | 第21-22页 |
| 2.2.2 马尔科夫链 | 第22页 |
| 2.2.3 支持向量机 | 第22-23页 |
| 2.3 组合模型 | 第23页 |
| 2.4 预测评价指标 | 第23-26页 |
| 第三章 基于灰色GM(1,1)模型的云南省人口预测 | 第26-32页 |
| 3.1 灰色模型简介 | 第26页 |
| 3.2 GM(1,1)模型的建模步骤 | 第26-30页 |
| 3.2.1 数据预处理 | 第26-27页 |
| 3.2.2 构建一阶微分方程 | 第27页 |
| 3.2.3 求解模型的参数 | 第27-28页 |
| 3.2.4 模型检验 | 第28-30页 |
| 3.3 GM(1,1)模型的应用 | 第30-32页 |
| 第四章 基于时间序列的云南省乙类传染病分析预测 | 第32-46页 |
| 4.1 时间序列简介 | 第32-34页 |
| 4.1.1 时间序列的特征统计量 | 第32-33页 |
| 4.1.2 时间序列平稳性定义 | 第33-34页 |
| 4.1.3 白噪声序列的性质 | 第34页 |
| 4.2 ARIMA模型建模原理 | 第34-37页 |
| 4.2.1 ARIMA模型简介 | 第34-35页 |
| 4.2.2 自回归(AR)模型 | 第35页 |
| 4.2.3 移动平均(MA)模型 | 第35-36页 |
| 4.2.4 ARMA模型 | 第36页 |
| 4.2.5 ARIMA模型 | 第36页 |
| 4.2.6 季节(SARIMA)模型 | 第36-37页 |
| 4.3 ARIMA模型的建模步骤 | 第37-40页 |
| 4.4 基于SARIMA模型的云南省乙类传染病的分析预测 | 第40-46页 |
| 第五章 基于BP神经网络和ARIMA_BP组合模型的云南省乙类传染病预测 | 第46-60页 |
| 5.1 BP神经网络简介 | 第47-51页 |
| 5.1.1 BP神经网络的训练过程 | 第48-49页 |
| 5.1.2 BP神经网络算法 | 第49-51页 |
| 5.2 BP神经网络应用 | 第51-54页 |
| 5.3 组合模型 | 第54-58页 |
| 5.3.1 并联组合模型 | 第54-56页 |
| 5.3.2 串联组合模型 | 第56-58页 |
| 5.4 预测模型精度评价 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 附录A 作者在攻读硕士期间学术成果 | 第70-72页 |
| 附录B 作者在攻读硕士期间参与的项目 | 第72页 |
