| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题的研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 时间序列理论国内外研究现状 | 第13-14页 |
| 1.2.2 石油产量预测国内外研究现状 | 第14-15页 |
| 1.3 本文的主要工作与结构安排 | 第15-18页 |
| 1.3.1 本文主要工作 | 第15-16页 |
| 1.3.2 本文的结构安排 | 第16-18页 |
| 第2章 时间序列的基本理论与模型 | 第18-31页 |
| 2.1 时间序列理论分析 | 第18-21页 |
| 2.1.1 时间序列定义 | 第18-19页 |
| 2.1.2 时间序列的特征分析 | 第19-21页 |
| 2.2 时间序列的常用模型 | 第21-23页 |
| 2.2.1 AR(自回归)模型 | 第21页 |
| 2.2.2 MA(滑动平均)模型 | 第21-22页 |
| 2.2.3 ARMA(自回归移动平均)模型 | 第22-23页 |
| 2.2.4 ARIMA(自回归积分滑动平均)模型 | 第23页 |
| 2.3 时间序列的建模过程 | 第23-30页 |
| 2.3.1 数据平稳性检测 | 第24页 |
| 2.3.2 模型识别 | 第24-26页 |
| 2.3.3 模型的参数估计 | 第26-28页 |
| 2.3.4 模型校验 | 第28-30页 |
| 2.3.5 模型数据预测 | 第30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 ARIMA模型在油田产量预测中的应用 | 第31-40页 |
| 3.1 ARIMA模型在油田产量预测中的应用 | 第31页 |
| 3.2 实验分析过程与结果 | 第31-39页 |
| 3.2.1 实验数据 | 第31页 |
| 3.2.2 数据平稳性检测 | 第31-34页 |
| 3.2.3 模型识别 | 第34-35页 |
| 3.2.4 模型参数估计 | 第35页 |
| 3.2.5 模型校验 | 第35-36页 |
| 3.2.6 模型数据预测 | 第36-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第4章 组合模型ARIMA-BP神经网络在油田产量预测中的应用 | 第40-55页 |
| 4.1 BP神经网络模型基本简介 | 第40页 |
| 4.2 BP神经网络模型结构 | 第40-42页 |
| 4.3 BP神经网络模型基本原理过程 | 第42-45页 |
| 4.3.1 BP神经网络模型正向信号传递过程 | 第42-43页 |
| 4.3.2 BP神经网络误差反向传递过程 | 第43-45页 |
| 4.4 BP神经网络在油田产量预测中的应用 | 第45-48页 |
| 4.4.1 BP神经网络模型算法步骤 | 第45-46页 |
| 4.4.2 实验数据 | 第46页 |
| 4.4.3 模型参数及技术路线 | 第46-47页 |
| 4.4.4 实验结果分析 | 第47-48页 |
| 4.5 ARIMA-BP神经网络模型在预测油田产量中的应用 | 第48-51页 |
| 4.5.1 模型构造原理 | 第48-49页 |
| 4.5.2 模型的构造过程 | 第49页 |
| 4.5.3 模型在预测油田产量中的应用 | 第49-51页 |
| 4.6 ARIMA,BP,ARIMA-BP三种模型的比较 | 第51-53页 |
| 4.7 时间序列模型在油气生产物联网系统(A11)中的应用 | 第53-54页 |
| 4.8 本章小结 | 第54-55页 |
| 总结与展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 附录A 攻读硕士学位期间所参与的项目 | 第61页 |
