| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 国内外日用水量预测的研究进展 | 第10-14页 |
| 1.1.1 时间序列预测法 | 第10-12页 |
| 1.1.2 解释性预测法 | 第12-14页 |
| 1.2 存在的问题和不足 | 第14-15页 |
| 1.3 本文的主要内容 | 第15页 |
| 1.4 本文的创新点 | 第15-16页 |
| 第二章 基于灰色理论的城市日用水量缺失值估计方法 | 第16-24页 |
| 2.1 灰色系统基本理论 | 第16-19页 |
| 2.2 基于灰色理论的缺失值处理法 | 第19-20页 |
| 2.3 日用水量缺失值的预测 | 第20-24页 |
| 第三章 粒子群优化算法理论 | 第24-27页 |
| 3.1 粒子群算法的基本原理 | 第24-26页 |
| 3.2 粒子群优化算法的参数 | 第26-27页 |
| 第四章 统计学习理论和支持向量机 | 第27-41页 |
| 4.1 机器学习问题 | 第27-28页 |
| 4.1.1 问题情况 | 第27-28页 |
| 4.1.2 经验风险 | 第28页 |
| 4.2 统计学习理论 | 第28-30页 |
| 4.2.1 VC维 | 第29页 |
| 4.2.2 推广性的界 | 第29页 |
| 4.2.3 结构风险 | 第29-30页 |
| 4.3 支持向量机 | 第30-41页 |
| 4.3.1 最优分类面 | 第30-32页 |
| 4.3.2 支持向量机 | 第32-33页 |
| 4.3.3 核函数 | 第33-34页 |
| 4.3.4 函数拟合的支持向量机 | 第34-37页 |
| 4.3.5 优化算法 | 第37-38页 |
| 4.3.6 最小二乘支持向量机 | 第38-41页 |
| 4.3.6.1 回归算法 | 第38-39页 |
| 4.3.6.2 传统LSSVM模型的参数确定方法 | 第39-41页 |
| 第五章 基于粒子群算法优化最小二乘支持向量机的日用水量预测法 | 第41-66页 |
| 5.1 日用水量的主要影响因素 | 第41-42页 |
| 5.2 日用水量相关性分析 | 第42页 |
| 5.3 粒子群算法优化最小二乘支持向量机(LSSVM)的参数 | 第42-44页 |
| 5.4 基于粒子群优化LSSVM的日用水量建模和预测 | 第44-66页 |
| 5.4.1 日用水量历史数据的补缺处理 | 第44-46页 |
| 5.4.2 日用水量建模与预测 | 第46-66页 |
| 5.4.2.1 PSO算法较优参数分析 | 第46-62页 |
| 5.4.2.2 基于PSO-LSSVM的日用水量建模与预测 | 第62-66页 |
| 第六章 结论与展望 | 第66-68页 |
| 6.1 研究结论 | 第66页 |
| 6.2 研究展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间录用与发表的学术论文目录 | 第75页 |
