| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-20页 |
| ·研究背景及意义 | 第11-12页 |
| ·研究现状 | 第12-17页 |
| ·数据挖掘的研究现状 | 第12-14页 |
| ·预测技术研究现状 | 第14-17页 |
| ·研究目标及内容 | 第17-18页 |
| ·论文结构 | 第18-20页 |
| 第二章 相关技术简介 | 第20-35页 |
| ·数据挖掘概述 | 第20-25页 |
| ·数据挖掘的背景 | 第20页 |
| ·数据挖掘的特点 | 第20-21页 |
| ·数据挖掘的任务 | 第21-22页 |
| ·数据挖掘的过程 | 第22-23页 |
| ·数据挖掘常用方法 | 第23-25页 |
| ·数据挖掘应用领域 | 第25页 |
| ·预测模型概述 | 第25-31页 |
| ·预测模型建模步骤 | 第26-27页 |
| ·预测模型算法的分类 | 第27-28页 |
| ·常用预测算法 | 第28-31页 |
| ·MARKOV预测 | 第31-33页 |
| ·Markov基本思想 | 第31-32页 |
| ·Markov建模思路 | 第32-33页 |
| ·预测算法评价准则 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于GM(1,1)-β的GM-MARKOV预测模型的研究 | 第35-57页 |
| ·GM(1,1)基本算法原理的描述 | 第35-38页 |
| ·GM(1,1)模型基本原理 | 第35-36页 |
| ·GM(1,1)模型建模步骤 | 第36-38页 |
| ·GM(1,1)灰色模型存在的问题 | 第38-39页 |
| ·GM(1,1)-β预测模型的提出 | 第39-47页 |
| ·加入扰动因素的初始值 | 第39-40页 |
| ·缩小误差的背景值构造 | 第40-42页 |
| ·算法分析 | 第42-47页 |
| ·GM(1,1)-β模型局限性和应对策略 | 第47页 |
| ·基于GM(1,1)-β的GM-MARKOV预测模型 | 第47-56页 |
| ·趋势项的确定 | 第48-50页 |
| ·随机项的确定 | 第50-52页 |
| ·GM-Markov预测模型 | 第52-53页 |
| ·实例应用 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第四章 动态自适应三次指数平滑模型的研究 | 第57-74页 |
| ·三次指数平滑法算法思想 | 第57-59页 |
| ·基本算法原理 | 第57-58页 |
| ·基本算法流程 | 第58-59页 |
| ·三次指数平滑法存在的问题 | 第59-61页 |
| ·改进的动态自适应三次指数平滑预测算法 | 第61-67页 |
| ·动态选取的平滑系数 | 第61-63页 |
| ·动态生成的平滑初值 | 第63-65页 |
| ·动态自适应三次指数平滑模型 | 第65-67页 |
| ·实例验证 | 第67-73页 |
| ·实例分析 | 第67-72页 |
| ·算法评价 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第五章 软件和信息技术行业在线分析系统的设计与实现 | 第74-95页 |
| ·系统概述 | 第74-76页 |
| ·总体架构 | 第74-75页 |
| ·技术架构 | 第75-76页 |
| ·功能模块 | 第76页 |
| ·系统数据准备阶段 | 第76-83页 |
| ·数据集成 | 第76-81页 |
| ·数据选择 | 第81-82页 |
| ·数据预处理 | 第82-83页 |
| ·系统主界面设计 | 第83页 |
| ·系统趋势分析模块设计 | 第83-94页 |
| ·趋势分析流程设计 | 第84-85页 |
| ·趋势分析主界面展示 | 第85-92页 |
| ·单指标多预测模型的预测结果对比 | 第92页 |
| ·基于GM(1,1)-β的GM-markov预测结果 | 第92-93页 |
| ·动态自适应三次指数平滑预测结果 | 第93-94页 |
| ·本章小结 | 第94-95页 |
| 第六章 总结与展望 | 第95-97页 |
| ·本文总结 | 第95-96页 |
| ·未来工作展望 | 第96-97页 |
| 致谢 | 第97-98页 |
| 参考文献 | 第98-102页 |
| 攻读硕士期间取得的研究成果 | 第102页 |
