基于GA-SVR的ATM现金需求量预测
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 背景及意义 | 第7-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 论文主要内容及章节安排 | 第11-13页 |
| 第二章 ATM现金需求量数据预处理 | 第13-18页 |
| 2.1 实验数据说明 | 第13-14页 |
| 2.1.1 数据不连续性处理 | 第13-14页 |
| 2.1.2 奇异点去除 | 第14页 |
| 2.2 灰色关联分析法确定训练指标 | 第14-17页 |
| 2.2.1 灰色关联分析原理 | 第15页 |
| 2.2.2 灰色关联分析算法 | 第15-16页 |
| 2.2.3 灰色关联分析法对数据的预处理 | 第16-17页 |
| 2.3 数据规范化处理 | 第17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 时间序列方法与建模 | 第18-24页 |
| 3.1 时间序列分析法 | 第18-19页 |
| 3.2 时间序列分析法建模 | 第19-23页 |
| 3.2.1 ARIAM建模 | 第19页 |
| 3.2.2 仿真分析 | 第19-23页 |
| 3.3 本章小结 | 第23-24页 |
| 第四章 基于GA-SVR方法与建模 | 第24-38页 |
| 4.1 支持向量回归机 | 第24-28页 |
| 4.1.1 参数对支持向量机性能影响分析 | 第26-28页 |
| 4.1.2 反复实验法确定支持向量机参数 | 第28页 |
| 4.2 网格搜索法优化支持向量回归机 | 第28-30页 |
| 4.2.1 网格搜索法基本原理 | 第28-29页 |
| 4.2.2 仿真分析 | 第29-30页 |
| 4.3 遗传算法支持向量回归机预测模型 | 第30-37页 |
| 4.3.1 遗传算法全局寻优技术 | 第30-32页 |
| 4.3.2 适应度函数的选择 | 第32-33页 |
| 4.3.3 遗传算法优化支持向量回归机 | 第33-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 ATM现金需求量仿真实验 | 第38-49页 |
| 5.1 实验数据的分析 | 第38页 |
| 5.1.1 实验数据来源 | 第38页 |
| 5.1.2 数据预处理 | 第38页 |
| 5.2 模型参数确定 | 第38-40页 |
| 5.2.1 ARIAM参数寻优 | 第38-39页 |
| 5.2.2 支持向量回归机参数的设定 | 第39页 |
| 5.2.3 遗传支持向量回归机 | 第39-40页 |
| 5.3 实验模型训练结果 | 第40-44页 |
| 5.3.1 时间序列法（ARIMA） | 第40-41页 |
| 5.3.2 支持向量回归机 | 第41页 |
| 5.3.3 遗传算法优化支持向量回归机实验结果 | 第41-42页 |
| 5.3.4 ATM现金需求量预测 | 第42-44页 |
| 5.4 ATM现金需求量预测的结果及检验 | 第44-48页 |
| 5.5 本章小结 | 第48-49页 |
| 第六章 结论与展望 | 第49-51页 |
| 6.1 结论 | 第49-50页 |
| 6.2 展望 | 第50-51页 |
| 参考文献 | 第51-53页 |
| 致谢 | 第53页 |
