时间序列模型的异常点检测及在统计监测中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 本文主要工作 | 第9-11页 |
| 第二章 时间序列模型 | 第11-17页 |
| 2.1 线性时间序列模型 | 第11-12页 |
| 2.1.1 白噪声过程 | 第11页 |
| 2.1.2 自回归模型(AR) | 第11页 |
| 2.1.3 滑动平均模型(MA) | 第11页 |
| 2.1.4 自回归滑动平均模型(ARMA) | 第11-12页 |
| 2.1.5 求和自回归滑动平均模型(ARIMA) | 第12页 |
| 2.2 时间序列模型的建立步骤 | 第12-16页 |
| 2.2.1 预处理 | 第12-13页 |
| 2.2.2 模型识别 | 第13-14页 |
| 2.2.3 模型拟合 | 第14-15页 |
| 2.2.4 模型诊断 | 第15-16页 |
| 2.3 本章小结 | 第16-17页 |
| 第三章 线性时间序列模型的异常点检测 | 第17-31页 |
| 3.1 时间序列的异常点 | 第17-18页 |
| 3.1.1 异常点的含义 | 第17页 |
| 3.1.2 异常点的产生原因 | 第17页 |
| 3.1.3 异常点的分类 | 第17-18页 |
| 3.1.4 异常的检测方法 | 第18页 |
| 3.2 ARMA模型的异常点 | 第18-22页 |
| 3.2.1 单个异常点 | 第19-21页 |
| 3.2.2 多个异常点 | 第21-22页 |
| 3.3 Chen-Liu迭代算法 | 第22-24页 |
| 3.3.1 Chen-Liu迭代算法的基础 | 第22-23页 |
| 3.3.2 Chen-Liu迭代算法步骤介绍 | 第23-24页 |
| 3.4 Chen-Liu迭代算法的实现 | 第24-25页 |
| 3.4.1 算法的具体实现 | 第24页 |
| 3.4.2 异常点检测步骤 | 第24-25页 |
| 3.5 模拟举例 | 第25-30页 |
| 3.5.1 AR模型异常点检测 | 第25-27页 |
| 3.5.2 MA模型异常点检测 | 第27-28页 |
| 3.5.3 ARMA模型异常点检测 | 第28-30页 |
| 3.6 本章小结 | 第30-31页 |
| 第四章 统计监测数据的异常点研究 | 第31-42页 |
| 4.1 居民消费价格指数异常点研究 | 第31-36页 |
| 4.1.1 数据介绍 | 第31-32页 |
| 4.1.2 数据预处理 | 第32页 |
| 4.1.3 异常点检测 | 第32-36页 |
| 4.2 猪(毛重)生产价格指数异常点研究 | 第36-42页 |
| 4.2.1 数据介绍 | 第36-37页 |
| 4.2.2 数据预处理 | 第37-38页 |
| 4.2.3 异常点检测 | 第38-42页 |
| 第五章 总结和展望 | 第42-44页 |
| 5.1 总结 | 第42页 |
| 5.2 展望 | 第42-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-46页 |
