| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 1 引言 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 研究方法和预期结果 | 第11-12页 |
| 1.4 研究内容及章节安排 | 第12-14页 |
| 2 时间序列分析 | 第14-28页 |
| 2.1 时间序列相关知识 | 第14-16页 |
| 2.1.1 时间序列有关概念 | 第14页 |
| 2.1.2 平稳时间序列及平稳性检验方法 | 第14-16页 |
| 2.1.3 平稳序列自协方差函数与自相关函数的估计 | 第16页 |
| 2.2 时间序列模型分类 | 第16-19页 |
| 2.2.1 ARMA时间序列的定义 | 第16-19页 |
| 2.3 ARMA时间序列的平稳性和相关性 | 第19-25页 |
| 2.3.1 ARMA序列的平稳性 | 第19-20页 |
| 2.3.2 ARMA序列的相关性 | 第20-25页 |
| 2.4 非平稳时间序列分析 | 第25-26页 |
| 2.5 ARIMA时间序列模型 | 第26-28页 |
| 3 小波分析 | 第28-40页 |
| 3.1 傅里叶分析 | 第28-31页 |
| 3.1.1 傅里叶变换形式 | 第28-29页 |
| 3.1.2 短时傅里叶变换 | 第29-30页 |
| 3.1.3 快速傅里叶变换 | 第30-31页 |
| 3.2 小波变换 | 第31-33页 |
| 3.2.1 连续小波变换 | 第31-32页 |
| 3.2.2 离散小波变换 | 第32页 |
| 3.2.3 正交小波和小波级数 | 第32-33页 |
| 3.3 小波分解与重构 | 第33-37页 |
| 3.3.1 多分辨分析 | 第33-34页 |
| 3.3.2 离散小波分解与重构的Mallat算法 | 第34-37页 |
| 3.4 常用小波函数 | 第37-40页 |
| 4 基于时间序列预测模型的气候要素分析 | 第40-51页 |
| 4.1 数据预处理 | 第40-42页 |
| 4.1.1 原始数据 | 第40页 |
| 4.1.2 离群点的检验与处理 | 第40-41页 |
| 4.1.3 检测异常值的方法 | 第41页 |
| 4.1.4 案例分析 | 第41-42页 |
| 4.2 时间序列模型的建立 | 第42-47页 |
| 4.2.1 模型识别 | 第42-43页 |
| 4.2.2 模型定阶 | 第43页 |
| 4.2.3 ARMA模型参数估计 | 第43-46页 |
| 4.2.4 模型的适应性检验 | 第46-47页 |
| 4.3 案例分析 | 第47-51页 |
| 4.3.1 建立ARIMA模型 | 第47-50页 |
| 4.3.2 建立GARCH模型 | 第50-51页 |
| 5 结合小波分析的气候要素长时间序列分析 | 第51-57页 |
| 5.1 信号分解 | 第51页 |
| 5.2 信号重构 | 第51-53页 |
| 5.3 预测及误差 | 第53-57页 |
| 6 总结与展望 | 第57-58页 |
| 6.1 本文总结 | 第57页 |
| 6.2 本文展望 | 第57-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 附录A | 第63-64页 |
| 附录B | 第64-69页 |