| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究的主要成果及现状 | 第10-12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 本文主要贡献 | 第13-14页 |
| 2 世界原油运输市场概述 | 第14-29页 |
| 2.1 世界原油需求市场分析 | 第14-20页 |
| 2.1.1 世界原油存储量 | 第14-15页 |
| 2.1.2 世界原油产量 | 第15-16页 |
| 2.1.3 世界原油消费量 | 第16-17页 |
| 2.1.4 世界原油进出口量 | 第17-20页 |
| 2.2 油轮运输市场分析 | 第20-26页 |
| 2.2.1 原油运输主要航线 | 第20-22页 |
| 2.2.2 世界油轮船队构成分析 | 第22-26页 |
| 2.3 原油运价指数分析 | 第26-28页 |
| 2.3.1 世界油船费率（World Scale）的计算 | 第26-27页 |
| 2.3.2 原油运价指数体系 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 运用ARIMA 预测原油运价指数时间序列 | 第29-40页 |
| 3.1 模型介绍 | 第29-31页 |
| 3.2 稳定性检验 | 第31-35页 |
| 3.3 ARIMA 模型识别 | 第35页 |
| 3.4 APIMA 模型的参数估计 | 第35-36页 |
| 3.5 模型检验 | 第36-37页 |
| 3.6 ARIMA 模型的拟合预测 | 第37-38页 |
| 3.7 本章小结 | 第38-40页 |
| 4 运用神经网络BP 模型预测原油运价指数 | 第40-57页 |
| 4.1 人工神经网络概述 | 第40-43页 |
| 4.1.1 生物神经元 | 第40-41页 |
| 4.1.2 人工神经网络的构成 | 第41-43页 |
| 4.2 误差反转传播算法（BP）网络模型 | 第43-49页 |
| 4.2.1 BP 网络结构 | 第43-44页 |
| 4.2.2 BP 网络学习公式推导 | 第44-49页 |
| 4.3 基于BP 神经网络的BDTI 时间序列预测模型 | 第49-56页 |
| 4.3.1 样本数据预处理 | 第50-51页 |
| 4.3.2 BP 网络设计分析方案 | 第51-53页 |
| 4.3.3 BP 网络的训练 | 第53-55页 |
| 4.3.4 BP 网络预测结果 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 主要结论 | 第57页 |
| 5.2 文章不足 | 第57-58页 |
| 5.3 研究展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间已发表或录用的论文 | 第63-66页 |