| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 应用方向 | 第8-10页 |
| 1.2 国内外研究历史和现状 | 第10-11页 |
| 1.3 论文组织架构 | 第11-13页 |
| 第二章 相关背景知识介绍 | 第13-17页 |
| 2.1 传统时间序列预测方法 | 第13-15页 |
| 2.1.1 自回归滑动评价模型 | 第13-14页 |
| 2.1.2 指数平滑模型 | 第14-15页 |
| 2.2 现代时间序列预测方法 | 第15-16页 |
| 2.3 本章小结 | 第16-17页 |
| 第三章 改进的广义回归神经网络多变量时间序列预测 | 第17-30页 |
| 3.1 基于GRNN的多变量时间序列预测 | 第17-19页 |
| 3.2 基于改进GRNN的多变量时间序列预测 | 第19-23页 |
| 3.2.1 粒子群算法 | 第19-20页 |
| 3.2.2 改进GRNN模型介绍 | 第20-21页 |
| 3.2.3 改进GRNN训练过程 | 第21-22页 |
| 3.2.4 评价指标 | 第22-23页 |
| 3.3 流量数据集及实验 | 第23-26页 |
| 3.3.1 数据集介绍及预处理 | 第23-25页 |
| 3.3.2 实验结果及分析 | 第25-26页 |
| 3.4 LTE话务量数据集及实验 | 第26-29页 |
| 3.4.1 数据集介绍及预处理 | 第26-28页 |
| 3.4.2 实验结果及分析 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 受限玻尔兹曼机-宽度学习多变量时间序列预测 | 第30-49页 |
| 4.1 基于宽度学习的多变量时间序列预测 | 第30-33页 |
| 4.1.1 函数连接网络 | 第30页 |
| 4.1.2 宽度学习基础理论 | 第30-31页 |
| 4.1.3 宽度学习增量学习 | 第31-33页 |
| 4.2 受限玻尔兹曼机-宽度学习模型及学习算法 | 第33-40页 |
| 4.2.1 受限玻尔兹曼机 | 第33-35页 |
| 4.2.2 高斯伯努利受限玻尔兹曼机 | 第35-36页 |
| 4.2.3 模型结构 | 第36-38页 |
| 4.2.4 训练过程 | 第38-40页 |
| 4.3 仿真实验结果及分析 | 第40-48页 |
| 4.3.1 流量数据集实验结果 | 第40-45页 |
| 4.3.2 LTE话务量数据集实验结果 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 门控循环单元-宽度学习多变量时间序列预测 | 第49-60页 |
| 5.1 门控循环单元概念及训练过程 | 第49-51页 |
| 5.2 门控循环单元-宽度学习模型及学习算法 | 第51-55页 |
| 5.2.1 模型介绍 | 第51-53页 |
| 5.2.2 训练预测过程 | 第53-55页 |
| 5.3 仿真实验结果及分析 | 第55-59页 |
| 5.3.1 流量数据集实验结果 | 第55-58页 |
| 5.3.2 LTE话务量数据集实验结果 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 论文总结 | 第60页 |
| 6.2 未来展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第66-67页 |
| 致谢 | 第67页 |