| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景与研究意义 | 第15-16页 |
| 1.2 研究内容 | 第16-17页 |
| 1.3 研究方法与技术路线 | 第17-20页 |
| 1.3.1 经典时间序列预测模型 | 第17-19页 |
| 1.3.2 评价指标 | 第19页 |
| 1.3.3 技术路线 | 第19-20页 |
| 1.4 论文章节安排 | 第20-22页 |
| 1.5 本文的创新点 | 第22页 |
| 1.6 小结 | 第22-23页 |
| 第二章 文献综述 | 第23-29页 |
| 2.1 研究现状 | 第23-26页 |
| 2.2 文献评述 | 第26-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第三章 基于RVFL网络的分解集成预测模型 | 第29-43页 |
| 3.1 引言 | 第29-30页 |
| 3.2 模型构建 | 第30-33页 |
| 3.2.1 RVFL网络 | 第30-31页 |
| 3.2.2 集成经验模态分解EEMD | 第31-32页 |
| 3.2.3 基于RVFL网络的分解集成模型构建 | 第32-33页 |
| 3.3 实证分析 | 第33-41页 |
| 3.3.1 实验设计 | 第33-34页 |
| 3.3.2 参数描述 | 第34-35页 |
| 3.3.3 结果分析 | 第35-40页 |
| 3.3.4 实证小结 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 基于随机算法的分解集成预测模型 | 第43-57页 |
| 4.1 引言 | 第43-44页 |
| 4.2 模型构建 | 第44-46页 |
| 4.2.1 极致学习机ELM | 第44-45页 |
| 4.2.2 Random Kitchen Sinks(RKS) | 第45页 |
| 4.2.3 基于随机算法的分解集成模型构建 | 第45-46页 |
| 4.3 实证分析 | 第46-54页 |
| 4.3.1 实验设计 | 第47-48页 |
| 4.3.2 参数描述 | 第48-49页 |
| 4.3.3 结果分析 | 第49-54页 |
| 4.3.4 实证小结 | 第54页 |
| 4.4 本章小结 | 第54-57页 |
| 第五章 RVFL网络集成模型集成策略多样性研究 | 第57-71页 |
| 5.1 引言 | 第57页 |
| 5.2 模型构建 | 第57-62页 |
| 5.2.1 RVFL网络集成策略多样性来源 | 第58-59页 |
| 5.2.2 基于最优集成策略的RVFL网络集成模型的构建 | 第59-62页 |
| 5.3 实证分析 | 第62-70页 |
| 5.3.1 数据描述 | 第62-63页 |
| 5.3.2 实验设计 | 第63-64页 |
| 5.3.3 结果分析 | 第64-69页 |
| 5.3.4 实证小结 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 结论与展望 | 第71-73页 |
| 6.1 研究总结 | 第71-72页 |
| 6.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 研究成果及发表的论文 | 第79-81页 |
| 作者及导师简介 | 第81-82页 |
| 附件 | 第82-83页 |