| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| Contents | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 选题的背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 第二章 相关的背景知识 | 第18-35页 |
| 2.1 数据挖掘技术 | 第18页 |
| 2.2 时间序列的定义及应用 | 第18-20页 |
| 2.2.1 时间序列的定义 | 第18-19页 |
| 2.2.2 时间序列的单步预测和多步预测 | 第19页 |
| 2.2.3 直接多步预测和间接多步预测 | 第19-20页 |
| 2.3 时间序列预测的基本步骤 | 第20-22页 |
| 2.4 时间序列预测的基本模型 | 第22-34页 |
| 2.4.1 ARMA模型 | 第22-25页 |
| 2.4.2 季节指数模型 | 第25-28页 |
| 2.4.3 自适应过滤法 | 第28-30页 |
| 2.4.4 神经网络模型 | 第30-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 直接多步预测的比较 | 第35-66页 |
| 3.1 不同频率时间序列数据的选择 | 第35-36页 |
| 3.2 基于ARMA模型的不同频率数据的直接多步预测 | 第36-48页 |
| 3.2.1 对Hourly数据进行建模预测 | 第37-39页 |
| 3.2.2 对Daily数据进行建模预测 | 第39-41页 |
| 3.2.3 对Weekly数据进行建模预测 | 第41-43页 |
| 3.2.4 对Monthly数据进行建模预测 | 第43-45页 |
| 3.2.5 对Quartly数据进行建模预测 | 第45-47页 |
| 3.2.6 不同频率时间序列的ARMA模型比较 | 第47-48页 |
| 3.3 基于季节模型的不同频率数据的直接多步预测 | 第48-59页 |
| 3.3.1 对Hourly数据建立季节指数模型 | 第48-51页 |
| 3.3.2 对Daily数据建立季节指数模型 | 第51-53页 |
| 3.3.3 对Weekly数据建立季节指数模型 | 第53-54页 |
| 3.3.4 对Montly数据建立季节指数模型 | 第54-56页 |
| 3.3.5 对Quartly数据建立季节指数模型 | 第56-58页 |
| 3.3.6 季节指数模型对不同频率数据预测的比较 | 第58-59页 |
| 3.4 基于自适应模型的不同频率数据的直接多步预测 | 第59-61页 |
| 3.4.1 建模过程 | 第59-60页 |
| 3.4.2 自适应数模型对不同频率数据预测的比较 | 第60-61页 |
| 3.5 基于神经网络的不同频率数据的直接多步预测 | 第61-65页 |
| 3.5.1 确定BP神经网络的参数 | 第61-62页 |
| 3.5.2 数据预处理和后处理 | 第62页 |
| 3.5.3 BP神经网络的训练 | 第62-63页 |
| 3.5.4 BP神经网络的预测 | 第63-65页 |
| 3.6 实验结果分析与比较 | 第65页 |
| 3.7 本章小结 | 第65-66页 |
| 第四章 间接多步预测的比较 | 第66-80页 |
| 4.1 基于ARMA模型的不同频率数据的间接多步预测 | 第67-69页 |
| 4.2 基于季节模型的不同频率数据的间接多步预测 | 第69-70页 |
| 4.3 基于自适应模型的不同频率数据的间接多步预测 | 第70-72页 |
| 4.4 基于神经网络的不同频率数据的间接多步预测 | 第72-73页 |
| 4.5 实验结果分析与比较 | 第73-79页 |
| 4.5.1 间接多步预测的综合比较 | 第73-74页 |
| 4.5.2 直接多步预测与间接多步预测的比较 | 第74-75页 |
| 4.5.3 同一频率数据的不同方法之间的对比 | 第75-79页 |
| 4.6 本章小结 | 第79-80页 |
| 总结与展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 攻读学位期间发表的论文 | 第86-88页 |
| 致谢 | 第88页 |
