基于特征抽取和分步回归算法的资金流入流出预测模型
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 资金流入流出问题的国内外研究现状 | 第14-16页 |
| 1.2.2 组合算法的国内外研究现状 | 第16-17页 |
| 1.2.3 因子分解机的国内外研究现状 | 第17-18页 |
| 1.3 关键问题与研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第2章 相关技术知识 | 第21-31页 |
| 2.1 基本数据预处理 | 第21-23页 |
| 2.2 特征抽取基本方法 | 第23-25页 |
| 2.2.1 时间角度特征挖掘 | 第23-24页 |
| 2.2.2 用户角度特征挖掘 | 第24页 |
| 2.2.3 利率角度特征挖掘 | 第24-25页 |
| 2.3 特征选择策略 | 第25-27页 |
| 2.4 损失函数和优化目标 | 第27-28页 |
| 2.5 模型选择 | 第28-29页 |
| 2.6 本章总结 | 第29-31页 |
| 第3章 特征抽取方法 | 第31-45页 |
| 3.1 数据背景介绍 | 第31-34页 |
| 3.2 特征构建 | 第34-40页 |
| 3.3 特征效果的评价准则 | 第40-41页 |
| 3.4 实验验证与分析 | 第41-42页 |
| 3.5 本章总结 | 第42-45页 |
| 第4章 分步回归算法在资金流预测中的应用 | 第45-61页 |
| 4.1 两步特征预测算法 | 第45-52页 |
| 4.1.1 单步特征预测 | 第45-50页 |
| 4.1.2 BP神经网络预测 | 第50-52页 |
| 4.2 集成学习方法 | 第52-55页 |
| 4.2.1 梯度提升树法 | 第53-54页 |
| 4.2.2 随机森林方法 | 第54-55页 |
| 4.3 实验结果与分析 | 第55-58页 |
| 4.3.1 实验流程 | 第56页 |
| 4.3.2 结果和分析 | 第56-58页 |
| 4.4 本章总结 | 第58-61页 |
| 第5章 因子分解机算法在资金流预测中的应用 | 第61-67页 |
| 5.1 特征稀疏化 | 第61-62页 |
| 5.2 因子分解机求解 | 第62-64页 |
| 5.3 实验结果与分析 | 第64-66页 |
| 5.4 本章总结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 本文工作总结 | 第67-68页 |
| 6.2 未来工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第75页 |
