| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题的研究背景与意义 | 第8-9页 |
| 1.2 话务量预测目前的研究现状 | 第9-10页 |
| 1.3 本文的主要研究内容 | 第10页 |
| 1.4 论文结构安排 | 第10-12页 |
| 第二章 话务量的分析综述 | 第12-16页 |
| 2.1 话务量概述 | 第12-14页 |
| 2.1.1 话务量的概念 | 第12页 |
| 2.1.2 话务量预测的特点 | 第12-13页 |
| 2.1.3 忙时话务量的定义 | 第13-14页 |
| 2.2 话务量预测的流程 | 第14-15页 |
| 2.3 预测误差的计算公式及原因分析 | 第15-16页 |
| 第三章 常见话务量模型的相关理论 | 第16-21页 |
| 3.1 时间序列的相关理论 | 第16-17页 |
| 3.1.1 时间序列的概念 | 第16页 |
| 3.1.2 时间序列的建模的基本流程 | 第16-17页 |
| 3.2 常见预测模型的研究 | 第17-21页 |
| 3.2.1 神经网络预测模型 | 第17-18页 |
| 3.2.2 支持向量机模型 | 第18-19页 |
| 3.2.3 马尔科夫模型 | 第19-21页 |
| 第四章 支持向量机补偿的多因素灰色话务量预测 | 第21-36页 |
| 4.1 灰色关联分析理论 | 第21-22页 |
| 4.1.1 灰色关联分析的定义 | 第21页 |
| 4.1.2 灰色关联分析法的算法 | 第21-22页 |
| 4.2 多因素灰色模型 | 第22-25页 |
| 4.2.1 多因素灰色模型概述 | 第22-23页 |
| 4.2.2 多因素灰色模型的算法 | 第23-25页 |
| 4.3 最小二乘支持向量机 | 第25-30页 |
| 4.3.1 支持向量机基本理论 | 第25-28页 |
| 4.3.2 最小二乘支持向量机的算法 | 第28-30页 |
| 4.4 支持向量机补偿的多因素灰色话务量预测 | 第30-32页 |
| 4.4.1 数据的来源与数据的预处理 | 第30页 |
| 4.4.2 SVM-MGM(1,n)网络算法的流程 | 第30-31页 |
| 4.4.3 SVM-MGM(1,n)网络算法实验步骤 | 第31-32页 |
| 4.5 实验结果与分析 | 第32-35页 |
| 4.6 本章小结 | 第35-36页 |
| 第五章 改进的支持向量机补偿的多因素灰色话务量预测 | 第36-48页 |
| 5.1 高斯小波核函数 | 第36-41页 |
| 5.1.1 核函数 | 第36-38页 |
| 5.1.2 小波核函数 | 第38页 |
| 5.1.3 复高斯小波核函数 | 第38-39页 |
| 5.1.4 构建基于复高斯小波核函数的 SVM | 第39-41页 |
| 5.2 粒子群算法 | 第41-44页 |
| 5.2.1 粒子群算法概述 | 第41-42页 |
| 5.2.2 粒子群算法的基本形式 | 第42页 |
| 5.2.3 粒子群算法的控制参数 | 第42-43页 |
| 5.2.4 粒子群算法的基本流程 | 第43-44页 |
| 5.3 改进的支持向量机补偿的多因素的灰色话务量预测 | 第44-45页 |
| 5.3.1 数据的选择及预处理 | 第44页 |
| 5.3.2 模型的算法流程 | 第44-45页 |
| 5.4 仿真实验结果与分析研究 | 第45-47页 |
| 5.5 本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 全文总结 | 第48-49页 |
| 6.2 研究前景展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 硕士研究生期间发表论文情况 | 第55-56页 |
| 致谢 | 第56页 |
