| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 选题的背景与意义 | 第9-10页 |
| 1.2 预测方法的综述 | 第10-11页 |
| 1.3 预测方法的国内外研究现状 | 第11-16页 |
| 1.3.1 灰色预测 | 第11-12页 |
| 1.3.2 神经网络预测 | 第12-14页 |
| 1.3.3 指数平滑法 | 第14-15页 |
| 1.3.4 组合预测法 | 第15-16页 |
| 1.4 本文的研究内容及章节安排 | 第16-17页 |
| 第二章 灰色预测方法的研究 | 第17-32页 |
| 2.1 灰色系统简述 | 第17-25页 |
| 2.1.1 GM（1,1）灰色预测模型的机理 | 第17-19页 |
| 2.1.2 GM（1,1）建立 | 第19-22页 |
| 2.1.3 GM（1,1）模型的检验 | 第22-25页 |
| 2.2 改进的GM（1,1）模型 | 第25-28页 |
| 2.3 模型的应用 | 第28-32页 |
| 第三章 BP神经网络预测模型 | 第32-46页 |
| 3.1 神经网络简述 | 第32-37页 |
| 3.1.1 人工神经网络的特征 | 第32-33页 |
| 3.1.2 人工神经网络的神经元 | 第33-34页 |
| 3.1.3 人工神经网络结构及工作方式 | 第34-35页 |
| 3.1.4 人工神经网络的学习 | 第35-37页 |
| 3.2 BP神经网络 | 第37-39页 |
| 3.2.1 BP神经网络的结构及功能 | 第37页 |
| 3.2.2 BP神经网络的算法 | 第37-39页 |
| 3.3 BP神经网络的预测模型参数的选择 | 第39-41页 |
| 3.3.1 输入层、输出层和隐含层神经元数目的确定 | 第39-40页 |
| 3.3.2 学习率η 的确定 | 第40-41页 |
| 3.5 BP神经网络预测模型的建立 | 第41-46页 |
| 3.5.1 模型结构参数 | 第41页 |
| 3.5.2 L-M算法 | 第41-42页 |
| 3.5.3 样本数据的处理 | 第42-43页 |
| 3.5.4 仿真与结果分析 | 第43-46页 |
| 第四章 指数平滑预测法 | 第46-51页 |
| 4.1 建立三次指数平滑预测模型 | 第46-47页 |
| 4.2 ATM现金流预测分析 | 第47-50页 |
| 4.3 本节小结 | 第50-51页 |
| 第五章 组合预测法 | 第51-57页 |
| 5.1 组合预测概述 | 第51页 |
| 5.2 确定组合预测权系数 | 第51-55页 |
| 5.2.1 根据相对误差确定最佳权系数 | 第52-53页 |
| 5.2.2 根据绝对误差和确定最佳的权系数 | 第53-54页 |
| 5.2.3 根据误差平方和确定最优权系数 | 第54-55页 |
| 5.3 组合预测的应用 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-64页 |
| 作者简介 | 第64-65页 |