基于支持向量机的时间序列预测
摘要 | 第1-5页 |
Abstract | 第5-8页 |
1 绪论 | 第8-11页 |
·课题的研究背景 | 第8页 |
·国内外研究现状 | 第8-9页 |
·本文主要工作及组织结构 | 第9-11页 |
·主要工作 | 第9-10页 |
·组织结构 | 第10-11页 |
2 时间序列模型的理论概述 | 第11-21页 |
·时间序列模型的相关概念 | 第11-14页 |
·时间序列定义 | 第11页 |
·平稳时间序列定义与检验方法 | 第11-14页 |
·平稳时间序列模型 | 第14-17页 |
·AR 模型的定义及其统计特性 | 第14-15页 |
·MA模型的定义及其统计特征 | 第15-16页 |
·ARMA模型的定义及其统计特征 | 第16-17页 |
·非平稳时间序列模型 | 第17-19页 |
·ARIMA模型 | 第17-19页 |
·SARIMA 模型的识别与平稳化方法 | 第19页 |
·建模流程 | 第19-20页 |
·小结 | 第20-21页 |
3 支持向量机理论概述 | 第21-31页 |
·支持向量机的统计学习理论基础 | 第21-26页 |
·机器学习问题描述 | 第21-22页 |
·经验风险最小化原则与结构风险最小化原则 | 第22-23页 |
·核函数 | 第23-24页 |
·最优化理论 | 第24-25页 |
·Wol fe 对偶 | 第25-26页 |
·支持向量机回归理论 | 第26-30页 |
·理论基础 | 第26-27页 |
·线性回归算法 | 第27-29页 |
·非线性回归算法 | 第29-30页 |
·小结 | 第30-31页 |
4 时间序列模型在铁路客运量预测中的应用实例 | 第31-38页 |
·引言 | 第31页 |
·客运量短期变化特点分析 | 第31-33页 |
·基于SARIMA 模型的预测 | 第33-37页 |
·数据预处理与平稳化 | 第33-35页 |
·模型的建立与残差检验 | 第35-36页 |
·模型的预测及分析比较 | 第36-37页 |
·小结 | 第37-38页 |
5 支持向量机在饮品销售量预测中的应用实例 | 第38-44页 |
·引言 | 第38页 |
·数据分析和预处理 | 第38-39页 |
·模型的识别与建立 | 第39-43页 |
·SARIMA 模型的识别与检验 | 第39-41页 |
·自回归SVM 模型的建立 | 第41-42页 |
·预测精度比较分析 | 第42-43页 |
·小结 | 第43-44页 |
6 总结与展望 | 第44-46页 |
参考文献 | 第46-47页 |
攻读硕士学位期间发表学术论文情况 | 第47-48页 |
致谢 | 第48页 |