| 中文摘要 | 第2-4页 |
| Abstract | 第4-6页 |
| 中文文摘 | 第7-13页 |
| 绪论 | 第13-20页 |
| 1.1 课题研究背景 | 第13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-18页 |
| 1.3.1 电力负荷预测模型 | 第15-16页 |
| 1.3.2 偏差-方差的分析 | 第16-18页 |
| 1.4 文章内容结构及创新点 | 第18-20页 |
| 第一章 相关工作 | 第20-30页 |
| 1.1 相关算法简介 | 第20-29页 |
| 1.1.1 线性模型 | 第20-21页 |
| 1.1.2 支持向量机模型 | 第21-22页 |
| 1.1.3 神经网络模型 | 第22-23页 |
| 1.1.4 决策树模型 | 第23页 |
| 1.1.5 随机森林模型 | 第23页 |
| 1.1.6 自适应样条回归模型 | 第23-24页 |
| 1.1.7 朴素贝叶斯模型 | 第24-25页 |
| 1.1.8 K最近邻模型 | 第25-26页 |
| 1.1.9 Adaboost模型 | 第26-27页 |
| 1.1.10 袋装模型 | 第27-28页 |
| 1.1.11 灰色模型 | 第28页 |
| 1.1.12 ARIMA模型 | 第28-29页 |
| 1.2 本章小结 | 第29-30页 |
| 第二章 偏差-方差研究 | 第30-53页 |
| 2.1 偏差-方差分解算法 | 第30-34页 |
| 2.1.1 回归问题的误差分解 | 第30-32页 |
| 2.1.2 0/1损失函数的误差分解 | 第32-34页 |
| 2.2 实验设计 | 第34-39页 |
| 2.2.1 数据集 | 第34-35页 |
| 2.2.2 评价指标 | 第35-37页 |
| 2.2.2.1 分类的评价指标 | 第35-36页 |
| 2.2.2.2 数值预测的评价指标 | 第36-37页 |
| 2.2.3 实验设计详细方案 | 第37-39页 |
| 2.2.3.1 数值预测的实验设计 | 第37-38页 |
| 2.2.3.2 分类预测的实验设计 | 第38-39页 |
| 2.3 实验结果 | 第39-52页 |
| 2.3.1 不同算法比较 | 第39-42页 |
| 2.3.2 数据量大小比较 | 第42-46页 |
| 2.3.3 不同训练集大小比较 | 第46-48页 |
| 2.3.4 数据量大小与训练集大小的比较 | 第48-50页 |
| 2.3.5 不同循环次数的比较 | 第50-52页 |
| 2.4 本章小结 | 第52-53页 |
| 第三章 多因素加法模型 | 第53-67页 |
| 3.1 多因素加法模型概述 | 第53-54页 |
| 3.2 多因素加法模型实例 | 第54-60页 |
| 3.2.1 温度因素 | 第54-56页 |
| 3.2.2 星期因素 | 第56-57页 |
| 3.2.3 假期因素 | 第57-59页 |
| 3.2.4 其他因素 | 第59-60页 |
| 3.3 算法结果 | 第60-66页 |
| 3.4 本章小结 | 第66-67页 |
| 第四章 基于Grey-ARIMA的组合模型 | 第67-83页 |
| 4.1 组合模型简介 | 第67-70页 |
| 4.1.1 神经网络组合模型 | 第67-68页 |
| 4.1.2 加权组合模型 | 第68-70页 |
| 4.2 组合模型的应用 | 第70-82页 |
| 4.2.1 灰色模型预测 | 第70-75页 |
| 4.2.2 ARIMA模型 | 第75-77页 |
| 4.2.3 基于Grey-ARIMA的神经网络组合模型 | 第77-80页 |
| 4.2.4 基于Grey-ARIMA的加权组合模型 | 第80-82页 |
| 4.3 本章小结 | 第82-83页 |
| 第五章 总结与展望 | 第83-88页 |
| 5.1 总结 | 第83-86页 |
| 5.1.1 偏差-方差分析 | 第83页 |
| 5.1.2 多因素加法模型 | 第83-84页 |
| 5.1.3 基于Grey-ARIMA的组合模型 | 第84-85页 |
| 5.1.4 总述 | 第85-86页 |
| 5.2 展望 | 第86-88页 |
| 参考文献 | 第88-94页 |
| 攻读学位期间承担的科研任务与主要成果 | 第94-95页 |
| 致谢 | 第95-96页 |
| 个人简历 | 第96-98页 |