机场能耗预测方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究内容以及论文结构 | 第13-15页 |
| 第二章 SVR预测模型 | 第15-24页 |
| 2.1 支持向量机的研究现状 | 第15页 |
| 2.2 支持向量机的应用 | 第15-16页 |
| 2.3 支持向量机原理 | 第16-20页 |
| 2.3.1 支持向量机的基本理论 | 第16-17页 |
| 2.3.2 支持向量机回归算法 | 第17-19页 |
| 2.3.3 模型的输入与输出 | 第19-20页 |
| 2.4 仿真实验 | 第20-23页 |
| 2.5 小结 | 第23-24页 |
| 第三章 混合时间序列预测模型 | 第24-35页 |
| 3.1 时间序列在预测中的应用 | 第24页 |
| 3.2 随机事件序列的特性分析 | 第24-25页 |
| 3.2.1 时间序列的平稳性 | 第25页 |
| 3.2.2 时间序列的纯随机性 | 第25页 |
| 3.2.3 时间序列的季节性 | 第25页 |
| 3.3 时间序列分析工具 | 第25-26页 |
| 3.3.1 差分运算 | 第25-26页 |
| 3.3.2 延迟算子 | 第26页 |
| 3.4 ARIMA模型 | 第26-27页 |
| 3.5 ARIMA模型的性质 | 第27-29页 |
| 3.5.1 平稳性 | 第27-28页 |
| 3.5.2 方差齐性 | 第28-29页 |
| 3.6 ARIMA模型预测 | 第29-31页 |
| 3.7 残差预测模型 | 第31-32页 |
| 3.8 仿真实验 | 第32-34页 |
| 3.9 小结 | 第34-35页 |
| 第四章 C-S混合预测模型 | 第35-45页 |
| 4.1 C-S混合预测模型介绍 | 第35-37页 |
| 4.1.1 延迟时间τ的选取 | 第36-37页 |
| 4.1.2 最佳嵌入维数的选取 | 第37页 |
| 4.2 一阶加权局域法预测模型 | 第37-38页 |
| 4.3 时间序列的混合预测模型 | 第38-40页 |
| 4.4 仿真实验 | 第40-44页 |
| 4.5 小结 | 第44-45页 |
| 第五章 能耗异常监测模型 | 第45-57页 |
| 5.1 引言 | 第45页 |
| 5.2 BP神经网络基本原理 | 第45-50页 |
| 5.2.1 基本概念 | 第45页 |
| 5.2.2 神经网络结构 | 第45-46页 |
| 5.2.3 神经网络模型 | 第46-47页 |
| 5.2.4 BP神经网络学习算法 | 第47-49页 |
| 5.2.5 BP算法的流程 | 第49-50页 |
| 5.3 模型的输入与输出 | 第50-53页 |
| 5.4 仿真实验 | 第53-56页 |
| 5.5 小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简介 | 第62页 |
