基于数据挖掘的基站能耗数据预测方法的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 论文结构 | 第12-13页 |
| 第二章 相关概念及技术 | 第13-26页 |
| 2.1 时间序列 | 第14-15页 |
| 2.2 序列降维与特征提取 | 第15-17页 |
| 2.2.1 降维方法 | 第15-16页 |
| 2.2.2 降维与特征 | 第16-17页 |
| 2.3 序列相似性 | 第17-19页 |
| 2.3.1 相似性度量难点 | 第17页 |
| 2.3.2 相似性度量方法 | 第17-19页 |
| 2.4 序列预测 | 第19-21页 |
| 2.5 序列模式发现 | 第21-22页 |
| 2.6 聚类 | 第22-23页 |
| 2.7 分类 | 第23-25页 |
| 2.8 本章小结 | 第25-26页 |
| 第三章 结合外因序列的能耗趋势预测 | 第26-38页 |
| 3.1 数据预处理 | 第26-27页 |
| 3.2 趋势预测模型 | 第27-33页 |
| 3.2.1 神经网络算法 | 第27-30页 |
| 3.2.2 结合外因序列的神经网络预测模型 | 第30-33页 |
| 3.3 实验及对比 | 第33-37页 |
| 3.3.1 外因序列选择 | 第33-34页 |
| 3.3.2 时间序列延迟值确定 | 第34-35页 |
| 3.3.3 训练和预测 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于特征模式的能耗事件预测 | 第38-48页 |
| 4.1 数据预处理 | 第38-39页 |
| 4.2 事件预测模型 | 第39-43页 |
| 4.2.1 显著特征提取 | 第40-41页 |
| 4.2.2 基于显著距离的聚类 | 第41-42页 |
| 4.2.3 预测特征模式发现 | 第42-43页 |
| 4.3 实验及对比 | 第43-46页 |
| 4.4 本章小结 | 第46-48页 |
| 第五章 能耗预测算法的系统集成 | 第48-55页 |
| 5.1 能源分析系统介绍 | 第48-50页 |
| 5.1.1 功能模块 | 第49页 |
| 5.1.2 数据采集 | 第49-50页 |
| 5.2 预测分析模块软件工程设计 | 第50-53页 |
| 5.2.1 需求分析 | 第50页 |
| 5.2.2 逻辑流程设计 | 第50-51页 |
| 5.2.3 数据库设计 | 第51-52页 |
| 5.2.4 模块类设计 | 第52-53页 |
| 5.3 预测分析模块界面及运行效果 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 总结和展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间发表的学术论文目录 | 第62页 |
