基于人工智能集成技术的时间序列预测模型及其应用
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 传统的时间序列预测模型 | 第7-8页 |
| 1.2 基于人工智能的时间序列预测模型 | 第8-10页 |
| 1.3 基于集成技术的时间序列预测模型 | 第10-11页 |
| 1.4 本文的动机与行文思路 | 第11-13页 |
| 2 研究方法 | 第13-35页 |
| 2.1 ARMA-GARCH模型 | 第13-15页 |
| 2.1.1 模型介绍 | 第13-14页 |
| 2.1.2 模型定阶 | 第14-15页 |
| 2.2 S-BPNN模型 | 第15-23页 |
| 2.2.1 模型介绍 | 第15-17页 |
| 2.2.2 逆传算法 | 第17-21页 |
| 2.2.3 参数估计 | 第21-22页 |
| 2.2.4 网络结构 | 第22-23页 |
| 2.3 EMD-LSSVM模型 | 第23-30页 |
| 2.3.1 经验模态分解 | 第23-25页 |
| 2.3.2 支持向量机理论 | 第25页 |
| 2.3.3 推广性的界 | 第25-26页 |
| 2.3.4 结构风险最小化原理 | 第26-27页 |
| 2.3.5 SVM | 第27-29页 |
| 2.3.6 LSSVM | 第29-30页 |
| 2.4 非线性集成预测模型 | 第30-35页 |
| 3 实证分析 | 第35-43页 |
| 3.1 数据描述 | 第35-36页 |
| 3.2 实证比较 | 第36-43页 |
| 3.2.1 模型评价指标 | 第36-37页 |
| 3.2.2 实证结果 | 第37-41页 |
| 3.2.3 模型表现 | 第41-43页 |
| 结论 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 致谢 | 第48-49页 |
