| 摘要 | 第3-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第18-28页 |
| 1.1 预测的概念及特点 | 第18-19页 |
| 1.1.1 预测的概念 | 第18页 |
| 1.1.2 预测的特点 | 第18-19页 |
| 1.2 选题背景与研究意义 | 第19-21页 |
| 1.3 组合预测研究现状 | 第21-24页 |
| 1.4 论文的主要工作和贡献 | 第24-26页 |
| 1.4.1 SERM | 第24页 |
| 1.4.2 WAT-NCL-PSO | 第24-25页 |
| 1.4.3 DBNLSTM | 第25页 |
| 1.4.4 SSCDNN | 第25-26页 |
| 1.5 论文的组织结构 | 第26-28页 |
| 第二章 理论基础与相关工作 | 第28-41页 |
| 2.1 预测的研究方法 | 第28-29页 |
| 2.2 单一预测方法 | 第29-30页 |
| 2.3 组合预测方法 | 第30-36页 |
| 2.3.1 基于权重分配方式的组合预测模型 | 第31-33页 |
| 2.3.2 基于数据预处理的组合预测模型 | 第33-34页 |
| 2.3.3 基于模型参数和结构优化的组合预测模型 | 第34-35页 |
| 2.3.4 基于误差修正技术的组合预测模型 | 第35-36页 |
| 2.4 预测性能评价方法 | 第36-40页 |
| 2.4.1 常用的预测性能评价方法 | 第37页 |
| 2.4.2 动态时间弯曲距离 (DTW) 评介方法 | 第37-38页 |
| 2.4.3 二阶预测有效度 (TOFV) 评价方法 | 第38-39页 |
| 2.4.4 估计预测模型的准确率 | 第39-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 基于聚合经验模态分解的相关向量机与季节ARIMA组合预测方法 | 第41-66页 |
| 3.1 引言 | 第41-42页 |
| 3.2 基于季节差分自回归-滑动平均模型的预测 (SARIMA) | 第42-44页 |
| 3.3 基于相关向量机模型的预测 | 第44-46页 |
| 3.4 聚合经验模态分解算法 (EEMD) | 第46-48页 |
| 3.4.1 经验模态分解算法 (EMD) | 第46-47页 |
| 3.4.2 聚合经验模态分解算法 (EEMD) | 第47-48页 |
| 3.5 差分进化算法 (DE) | 第48-51页 |
| 3.6 SERM算法 | 第51-55页 |
| 3.6.1 时间复杂度分析 | 第55页 |
| 3.7 实验结果分析和讨论 | 第55-64页 |
| 3.7.1 数据收集 | 第55-57页 |
| 3.7.2 实验仿真 | 第57-60页 |
| 3.7.3 结果讨论 | 第60-63页 |
| 3.7.4 模型预测性能评估 | 第63-64页 |
| 3.7.5 SERM模型的优点 | 第64页 |
| 3.8 本章小结 | 第64-66页 |
| 第四章 基于小波分析技术和粒子群优化网络结构的负相关学习神经网络组合预测方法 | 第66-90页 |
| 4.1 引言 | 第66-67页 |
| 4.2 基于小波分析技术的数据去噪方法 | 第67-69页 |
| 4.3 基于负相关学习框架的集成神经网络的预测模型 | 第69-71页 |
| 4.4 基于CPSO优化负相关学习的集成神经网络预测模型 | 第71-75页 |
| 4.4.1 粒子群优化算法 (PSO) | 第71-72页 |
| 4.4.2 改进的混沌PSO算法 (CPSO) | 第72-74页 |
| 4.4.3 PSO优化NCL的预测模型 (NCL-PSO) 研究 | 第74-75页 |
| 4.5 WAT-NCL-PSO组合预测方法 | 第75-78页 |
| 4.5.1 WAT-NCL-PSO算法的有效度 | 第78页 |
| 4.5.2 时间复杂度分析 | 第78页 |
| 4.6 实验结果分析和讨论 | 第78-88页 |
| 4.6.1 数据收集 | 第78-80页 |
| 4.6.2 实验仿真 | 第80-85页 |
| 4.6.3 结果讨论 | 第85-87页 |
| 4.6.4 模型评估 | 第87-88页 |
| 4.6.5 WAT-NCL-PSO模型的优点 | 第88页 |
| 4.7 本章小结 | 第88-90页 |
| 第五章 基于深信度网络特征融合的双向长短时间记忆网络组合预测方法 | 第90-112页 |
| 5.1 引言 | 第90-91页 |
| 5.2 深度置信网络 (DBN) 模型的预测 | 第91-94页 |
| 5.2.1 受限波尔兹曼机 (RBM) | 第91-93页 |
| 5.2.2 深信度网络 (DBN) | 第93-94页 |
| 5.3 循环神经网络 (RNN) 模型的预测 | 第94-97页 |
| 5.3.1 RNN模型 | 第94-95页 |
| 5.3.2 长短期记忆LSTM方式的RNN | 第95-96页 |
| 5.3.3 双向LSTM网络 (BLSTM) | 第96-97页 |
| 5.4 DBNLSTM算法 | 第97-102页 |
| 5.4.1 DBNLSTM算法的有效度 | 第101-102页 |
| 5.4.2 时间复杂度分析 | 第102页 |
| 5.5 实验结果分析和讨论 | 第102-111页 |
| 5.5.1 数据收集 | 第102-104页 |
| 5.5.2 实验仿真 | 第104-107页 |
| 5.5.3 结果讨论 | 第107-109页 |
| 5.5.4 模型预测性能评估 | 第109-110页 |
| 5.5.5 DBNLSTM模型的优点 | 第110-111页 |
| 5.6 本章小结 | 第111-112页 |
| 第六章 基于合成少数类过采样技术和无监督分析的深度神经网络组合预测方法 | 第112-132页 |
| 6.1 引言 | 第112-113页 |
| 6.2 SSCDNN模型 | 第113-120页 |
| 6.2.1 相关理论 | 第113-117页 |
| 6.2.2 基于过采样和无监督分析的深度神经网络组合预测方法 | 第117-120页 |
| 6.2.3 时间复杂度分析 | 第120页 |
| 6.3 实验结果分析和讨论 | 第120-131页 |
| 6.3.1 分类性能的评价 | 第120-121页 |
| 6.3.2 实例分析一 | 第121-126页 |
| 6.3.3 实例分析二 | 第126-130页 |
| 6.3.4 SSCDNN的优点 | 第130-131页 |
| 6.4 小结 | 第131-132页 |
| 第七章 总结与展望 | 第132-134页 |
| 7.1 本文工作总结 | 第132-133页 |
| 7.2 下一步需要开展的工作 | 第133-134页 |
| 参考文献 | 第134-146页 |
| 在学期间的研究成果 | 第146-147页 |
| 致谢 | 第147页 |
