基于互联网文本情感分析的数值序列预测算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景及目的和意义 | 第9-10页 |
| 1.2 国内外研究现状及成果 | 第10-13页 |
| 1.2.1 文本挖掘研究现状 | 第10-12页 |
| 1.2.2 预测算法研究现状 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 文章的组织结构安排 | 第14-16页 |
| 第2章 数据采集处理与可信性分析 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 文本抽取及处理架构 | 第16-17页 |
| 2.3 数据获取与处理 | 第17-22页 |
| 2.3.1 价格及文本爬虫定制 | 第17-19页 |
| 2.3.2 价格数据和文本数据获取 | 第19-20页 |
| 2.3.3 数据预处理 | 第20-22页 |
| 2.4 提出文本的可信性分析过程 | 第22-27页 |
| 2.4.1 文本表示和特征选择方法 | 第23页 |
| 2.4.2 文本分类方法描述 | 第23-25页 |
| 2.4.3 情感分析算法实验结果对比分析 | 第25页 |
| 2.4.4 可靠性分类算法实验结果对比分析 | 第25-27页 |
| 2.5 文本的情感因子提取与度量 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于情感因素的单变量预测算法 | 第30-43页 |
| 3.1 引言 | 第30页 |
| 3.2 数据平稳性趋势性分析 | 第30-32页 |
| 3.3 提出SSA-ARMA预测模型 | 第32-34页 |
| 3.3.1 自回归移动平均模型 | 第32-33页 |
| 3.3.2 融入情感倾向因素 | 第33-34页 |
| 3.4 单变量预测模型实验结果与分析 | 第34-42页 |
| 3.4.1 灰色预测模型实验 | 第35-36页 |
| 3.4.2 基于情感倾向BPNN预测模型实验 | 第36-37页 |
| 3.4.3 SSA-ARMA预测模型实验 | 第37-41页 |
| 3.4.4 实验结果对比分析 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于情感因素的多变量预测算法 | 第43-57页 |
| 4.1 引言 | 第43页 |
| 4.2 多变量作用关系分析 | 第43-46页 |
| 4.2.1 向量自回归模型 | 第43-44页 |
| 4.2.2 多个变量的脉冲分析 | 第44-46页 |
| 4.3 提出MSA-VAR预测模型 | 第46-48页 |
| 4.4 多变量预测模型实验结果与分析 | 第48-56页 |
| 4.4.1 MSA-VAR预测模型实验 | 第48-50页 |
| 4.4.2 基于情感多变量BPNN预测模型 | 第50-51页 |
| 4.4.3 基于情感倾向GBRT预测算法 | 第51-53页 |
| 4.4.4 基于情感倾向XGBoost预测算法 | 第53-55页 |
| 4.4.5 实验结果对比分析 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 系统架构设计与接口 | 第57-63页 |
| 5.1 引言 | 第57页 |
| 5.2 系统架构设计 | 第57-58页 |
| 5.3 应用系统实现 | 第58-61页 |
| 5.3.1 移动客户端设计 | 第58-60页 |
| 5.3.2 服务器端设计 | 第60-61页 |
| 5.4 部分接口文档 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |
