| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 快递业研究现状 | 第10-11页 |
| 1.2.2 时序预测研究现状 | 第11-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第二章 相关理论及技术介绍 | 第15-24页 |
| 2.1 ARIMA时序分析算法介绍 | 第15-17页 |
| 2.1.1 ARIMA算法介绍 | 第15-16页 |
| 2.1.2 ARIMA使用介绍 | 第16-17页 |
| 2.2 深度学习相关算法介绍 | 第17-20页 |
| 2.2.1 深度学习概述 | 第17页 |
| 2.2.2 长短时记忆单元 | 第17-20页 |
| 2.3 Deeplearning4j | 第20-22页 |
| 2.3.1 Deeplearning4j概述 | 第20-21页 |
| 2.3.2 Deeplearning4j模块介绍 | 第21-22页 |
| 2.4 系统开发相关技术介绍 | 第22-23页 |
| 2.4.1 CSS | 第22页 |
| 2.4.2 Javascript | 第22页 |
| 2.4.3 AJAX | 第22页 |
| 2.4.4 Spring MVC | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 快递业务量时序预测模型研究 | 第24-35页 |
| 3.1 快递业务量预测概述及特点分析 | 第24-26页 |
| 3.1.1 快递业务量时序预测概述 | 第24页 |
| 3.1.2 快递业务量特点分析 | 第24-26页 |
| 3.2 快递业务量时序预测模型的构建 | 第26-32页 |
| 3.2.1 基于ARIMA的快递业务量时序预测模型的构建 | 第26-27页 |
| 3.2.2 基于无特征LSTM快递业务量时序预测模型的构建 | 第27-28页 |
| 3.2.3 多特征下基于LSTM快递业务量时序预测模型的构建 | 第28-32页 |
| 3.3 多特征LSTM快递业务量预测模型的迭代策略 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 快递业务量时序预测及影响因素分析 | 第35-53页 |
| 4.1 应用快递业务量对模型参数寻优 | 第35-40页 |
| 4.1.1 基于ARIMA的快递业务量时序预测模型参数寻优 | 第35-37页 |
| 4.1.2 基于无特征LSTM的快递业务量时序预测模型参数寻优 | 第37页 |
| 4.1.3 多特征下基于LSTM的快递业务量时序预测模型参数寻优 | 第37-40页 |
| 4.2 快递业务量时序预测模型对比实验 | 第40-46页 |
| 4.2.1 实验数据及评价指标 | 第40-41页 |
| 4.2.2 平常日预测 | 第41-42页 |
| 4.2.3 春节期间预测 | 第42-43页 |
| 4.2.4 国庆节期间预测 | 第43-45页 |
| 4.2.5 双十一期间预测 | 第45-46页 |
| 4.2.6 实验结论 | 第46页 |
| 4.3 基于灰色关联度的快递业务量影响因素分析 | 第46-51页 |
| 4.3.1 灰色关联分析方法介绍 | 第46-47页 |
| 4.3.2 数据采集与描述 | 第47-48页 |
| 4.3.3 建立灰色关联度模型 | 第48-50页 |
| 4.3.4 快递业发展影响因素分析 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 快递业务量时序预测分析的系统实现 | 第53-59页 |
| 5.1 快递数据离线分析系统介绍 | 第53-54页 |
| 5.2 快递业务量时序预测模块需求分析 | 第54-56页 |
| 5.3 快递业务量时序预测功能模块的设计与实现 | 第56页 |
| 5.4 系统测试 | 第56-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士研究生期间发表的论文 | 第65页 |
