| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究的背景与目的意义 | 第9-11页 |
| 1.1.1 研究的背景 | 第9-10页 |
| 1.1.2 研究的目的意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究的主要工作与结构安排 | 第13-15页 |
| 第2章 相关技术 | 第15-27页 |
| 2.1 经典时间序列预测方法 | 第15-21页 |
| 2.1.1 时间序列的概念 | 第15-16页 |
| 2.1.2 基于统计学时间序列预测 | 第16-19页 |
| 2.1.3 基于回归模型时间序列预测 | 第19-20页 |
| 2.1.4 其它时间序列预测模型 | 第20-21页 |
| 2.2 深度学习 | 第21-26页 |
| 2.2.1 深度学习概念 | 第21-22页 |
| 2.2.2 深度学习流程 | 第22-23页 |
| 2.2.3 损失函数定义 | 第23-24页 |
| 2.2.4 基于梯度学习 | 第24-25页 |
| 2.2.5 模型性能度量 | 第25-26页 |
| 2.3 本章小节 | 第26-27页 |
| 第3章 数据预处理 | 第27-33页 |
| 3.1 数据清洗 | 第27-28页 |
| 3.2 数据标准化 | 第28-30页 |
| 3.3 相关属性选择 | 第30-32页 |
| 3.4 本章小节 | 第32-33页 |
| 第4章 基于深度学习的气象预测模型构建 | 第33-50页 |
| 4.1 深度前馈网络（DFN）模型 | 第33-41页 |
| 4.1.1 DFN预测模型架构 | 第33-35页 |
| 4.1.2 激活函数选择 | 第35-36页 |
| 4.1.3 超参数调整策略 | 第36-37页 |
| 4.1.4 算法优化（Regularization） | 第37-39页 |
| 4.1.5 滑动时间窗改进 | 第39-41页 |
| 4.2 循环神经网络（RNN）模型 | 第41-48页 |
| 4.2.1 普通循环神经网络预测模型 | 第41-42页 |
| 4.2.2 改进的RNN-LSTM网络预测模型 | 第42-44页 |
| 4.2.3 其它预测模型 | 第44页 |
| 4.2.4 BPTT传播算法 | 第44-45页 |
| 4.2.5 RNN-LSTM的气温预测模型架构设计 | 第45-48页 |
| 4.3 本章小节 | 第48-50页 |
| 第5章 实验 | 第50-65页 |
| 5.1 实验设置 | 第50-51页 |
| 5.1.1 实验环境 | 第50-51页 |
| 5.1.2 实验数据 | 第51页 |
| 5.1.3 实验度量 | 第51页 |
| 5.2 实验过程 | 第51-57页 |
| 5.2.1 ARIMA实验 | 第51-53页 |
| 5.2.2 深度前馈神经网络实验 | 第53-56页 |
| 5.2.3 循环神经网络LSTM-RNN实验 | 第56-57页 |
| 5.3 结果分析 | 第57-64页 |
| 5.4 本章小节 | 第64-65页 |
| 结论 | 第65-66页 |
| 主要参考文献 | 第66-71页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第71-73页 |
| 致谢 | 第73页 |