| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-11页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9页 |
| 1.3 论文结构 | 第9-11页 |
| 2 国内外研究现状 | 第11-19页 |
| 2.1 基于搜索行为数据的研究与应用 | 第11-13页 |
| 2.1.1 互联网行为研究 | 第11-12页 |
| 2.1.2 实体领域行为研究 | 第12-13页 |
| 2.2 宏观指标的预测现状 | 第13-14页 |
| 2.3 特征选择方法研究现状 | 第14-16页 |
| 2.4 离散化处理方法研究现状 | 第16-19页 |
| 3 宏观指标预测模型的建立 | 第19-30页 |
| 3.1 数据说明 | 第19-21页 |
| 3.2 数据预处理 | 第21-23页 |
| 3.3 搜索过滤 | 第23-24页 |
| 3.4 搜索集成 | 第24-26页 |
| 3.5 BS-MIP模型建立阶段流程 | 第26-27页 |
| 3.6 讨论 | 第27-29页 |
| 3.7 小结 | 第29-30页 |
| 4 宏观指标预测模型的完善 | 第30-50页 |
| 4.1 基于遗传算法改进的GA-Lasso方法 | 第30-32页 |
| 4.1.1 关键属性提取 | 第30-31页 |
| 4.1.2 改进的适应性Lasso方法 | 第31-32页 |
| 4.2 GA-Lasso流程及说明 | 第32-34页 |
| 4.3 GA-Lasso方法实验验证 | 第34-41页 |
| 4.3.1 实验说明 | 第34-35页 |
| 4.3.2 范数约束对Lasso算法的影响 | 第35-37页 |
| 4.3.3 k值对K-Lasso算法的影响 | 第37-38页 |
| 4.3.4 关键特征集合与GA-Lasso算法的关系 | 第38-41页 |
| 4.4 基于聚类集成的KED方法 | 第41-44页 |
| 4.4.1 “分”——细分子区间 | 第41-43页 |
| 4.4.2 “合”——合并子区间 | 第43-44页 |
| 4.5 KED算法有效性说明 | 第44-46页 |
| 4.5.1 “分”操作的有效性说明 | 第44-45页 |
| 4.5.2 “合”操作的有效性说明 | 第45-46页 |
| 4.6 KED方法实验验证 | 第46-48页 |
| 4.6.1 实验说明 | 第46-47页 |
| 4.6.2 与传统离散化方法的对比 | 第47-48页 |
| 4.7 小结 | 第48-50页 |
| 5 宏观指标预测模型整体流程及效果验证 | 第50-56页 |
| 5.1 BS-MIP模型整体流程图 | 第50页 |
| 5.2 预测对比 | 第50-54页 |
| 5.3 类GFT模型缺陷及验证 | 第54-55页 |
| 5.4 小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-63页 |