| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7-11页 |
| 1.2 研究内容及创新点 | 第11-13页 |
| 2 基于时序关联大数据的风险预测方法 | 第13-25页 |
| 2.1 研究背景和意义 | 第13-15页 |
| 2.2 搜索引擎大数据驱动的疫情风险预测 | 第15-18页 |
| 2.2.1 真实监测数据 | 第15-16页 |
| 2.2.2 搜索引擎数据 | 第16-18页 |
| 2.3 基于隐马尔科夫模型的疫情风险预测 | 第18-19页 |
| 2.4 实验对比与结果分析 | 第19-23页 |
| 2.5 本章小结 | 第23-25页 |
| 3 基于时空关联大数据的风险预测方法 | 第25-43页 |
| 3.1 研究背景和意义 | 第25-28页 |
| 3.2 异构大数据驱动的疫情风险预测 | 第28-31页 |
| 3.2.1 流感真实监测数据 | 第28页 |
| 3.2.2 国际航班数据 | 第28-30页 |
| 3.2.3 谷歌搜索趋势数据 | 第30页 |
| 3.2.4 互联网新闻数据 | 第30-31页 |
| 3.3 基于多元隐马尔科夫模型的疫情风险预测 | 第31-35页 |
| 3.3.1 流感疫情爆发风险状态 | 第31-33页 |
| 3.3.2 多元隐马尔科夫模型 | 第33-34页 |
| 3.3.3 用于疫情实时监测的参数训练 | 第34页 |
| 3.3.4 预测未被监测的流感爆发风险 | 第34-35页 |
| 3.4 实验对比与结果分析 | 第35-40页 |
| 3.4.1 流感爆发风险实时监测和预测结果 | 第36-37页 |
| 3.4.2 未监测时间段的流感爆发风险监测结果 | 第37-39页 |
| 3.4.3 与其他方法的对比实验结果 | 第39-40页 |
| 3.5 本章小结 | 第40-43页 |
| 4 基于异构大数据深度学习的风险预测方法 | 第43-57页 |
| 4.1 研究背景和意义 | 第43-44页 |
| 4.2 异构大数据驱动的金融风险预测 | 第44-48页 |
| 4.2.1 小麦价格相关数据 | 第44-46页 |
| 4.2.2 股票价格相关数据 | 第46页 |
| 4.2.3 比特币价格相关数据 | 第46-48页 |
| 4.3 基于深度学习马尔科夫模型的风险预测 | 第48-51页 |
| 4.3.1 循环神经网络的前向计算过程 | 第48-49页 |
| 4.3.2 循环神经网络随时间的反向传播过程 | 第49-51页 |
| 4.4 实验对比与结果分析 | 第51-56页 |
| 4.4.1 小麦价格预测结果 | 第51-52页 |
| 4.4.2 股票价格预测结果 | 第52-55页 |
| 4.4.3 比特币价格预测结果 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 结论与展望 | 第57-61页 |
| 5.1 主要结论 | 第57-58页 |
| 5.2 讨论与展望 | 第58-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |
| A.作者在攻读硕士学位期间发表的论文目录 | 第67页 |
| B.作者在攻读硕士学位期间参加的科研项目及得奖情况 | 第67页 |