| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 城市日用水量变化规律和影响因素分析 | 第11-12页 |
| 1.3 城市日用水量预测方法研究现状 | 第12-17页 |
| 1.3.1 时间序列预测方法 | 第12-14页 |
| 1.3.2 解释性预测方法 | 第14-17页 |
| 1.4 本文的主要内容 | 第17页 |
| 1.5 本文的主要创新点 | 第17-18页 |
| 第2章 遗传算法理论 | 第18-26页 |
| 2.1 遗传算法概述 | 第18页 |
| 2.2 基本遗传算法 | 第18-24页 |
| 2.3 基本遗传算法的改进 | 第24-26页 |
| 第3章 支持向量机理论 | 第26-34页 |
| 3.1 机器学习理论 | 第26-27页 |
| 3.1.1 机器学习的基本问题 | 第26-27页 |
| 3.1.2 经验风险最小化（Empirical Risk Minimization，ERM） | 第27页 |
| 3.1.3 机器学习的泛化能力 | 第27页 |
| 3.2 统计学习理论 | 第27-29页 |
| 3.2.1 VC维 | 第27-28页 |
| 3.2.2 推广性的界 | 第28页 |
| 3.2.3 结构风险最小化原则(Structural Risk Minimization，SRM) | 第28-29页 |
| 3.3 支持向量机(Support Vector Machine，SVM) | 第29-32页 |
| 3.3.1 最优分类面 | 第29-30页 |
| 3.3.2 支持向量机的基本原理 | 第30-31页 |
| 3.3.3 支持向量机的核函数 | 第31-32页 |
| 3.4 最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM) | 第32-34页 |
| 第4章 扩展卡尔曼滤波器 | 第34-40页 |
| 4.1 状态过程信号的估计 | 第34-35页 |
| 4.2 滤波器的计算原型 | 第35-37页 |
| 4.3 扩展卡尔曼滤波器算法 | 第37-40页 |
| 第5章 变结构遗传最小二乘支持向量机法预测日用水量 | 第40-52页 |
| 5.1 基于遗传最小二乘支持向量机的日用水量预测模型(GA-LSSVM模型) | 第40-44页 |
| 5.1.1 模型的输入参数 | 第40-41页 |
| 5.1.2 遗传算法(GA)优化最小二乘支持向量机(LSSVM)参数 | 第41-42页 |
| 5.1.3 GA-LSSVM建模和预测过程 | 第42-44页 |
| 5.2 变结构遗传最小二乘支持向量机日用水量模型(VSG-LSSVM模型) | 第44-52页 |
| 5.2.1 变结构遗传算法(VSG)优化LSSVM模型参数 | 第45-46页 |
| 5.2.2 VSG-LSSVM建模和预测过程 | 第46-52页 |
| 第6章 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 附录 | 第54-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 作者在攻读硕士学位期间所取得的科研成果 | 第72页 |
