| 第1章 绪论 | 第1-18页 |
| 1．1 预测的概念及意义 | 第11-12页 |
| 1．2 预测的分类 | 第12-13页 |
| 1．2．1 定性预测和定量预测 | 第12页 |
| 1．2．2 因果预测和时间序列预测 | 第12-13页 |
| 1．3 预测技术发展 | 第13-15页 |
| 1．4 课题研究及论文组织 | 第15-18页 |
| 1．4．1 课题的提出背景及意义 | 第15-16页 |
| 1．4．2 课题研究思路 | 第16页 |
| 1．4．3 论文组织 | 第16-18页 |
| 第2章 传统预测方法 | 第18-28页 |
| 2．1 回归分析预测 | 第18-22页 |
| 2．1．1 多元线性回归模型 | 第18-19页 |
| 2．1．2 回归系数的最小二乘估计求解 | 第19-21页 |
| 2．1．3 多元线性回归模型的检验 | 第21-22页 |
| 2．1．4 回归分析预测评价 | 第22页 |
| 2．2 时间序列模型 | 第22-27页 |
| 2．2．1 时间序列模型定义 | 第22-23页 |
| 2．2．2 确定型时间序列模型 | 第23-25页 |
| 2．2．3 随机型时间序列模型 | 第25-26页 |
| 2．2．4 与回归模型的比较 | 第26-27页 |
| 2．3 本章小结 | 第27-28页 |
| 第3章 基于神经网络的时间序列方法 | 第28-39页 |
| 3．1 人工神经网络 | 第28-30页 |
| 3．2 BP神经网络 | 第30-32页 |
| 3．2．1 网络模型 | 第30-31页 |
| 3．2．2 学习算法 | 第31-32页 |
| 3．2．3 泛化能力 | 第32页 |
| 3．3 基于神经网络的时间序列预测概述 | 第32-33页 |
| 3．3．1 原理简单描述 | 第32-33页 |
| 3．3．2 网络参数和网络大小 | 第33页 |
| 3．3．2 数据和预测精度 | 第33页 |
| 3．4 基于 BP神经网络的时间序列预测 | 第33-37页 |
| 3．4．1 训练样本集的准备 | 第34-35页 |
| 3．4．2 初始权值确定 | 第35-36页 |
| 3．4．3 网络结构确定 | 第36页 |
| 3．4．4 网络的训练和预测方式 | 第36-37页 |
| 3．5 本章小结 | 第37-39页 |
| 第4章 一种基于神经网络的综合动态预测模型 | 第39-49页 |
| 4．1 时序网络和回归网络 | 第40-42页 |
| 4．1．1 基于神经网络的时序预测 | 第40-41页 |
| 4．1．2 基于神经网络的多元回归预测 | 第41-42页 |
| 4．2 集多元统计分析特点的综合模型 | 第42-48页 |
| 4．2．1 简单综合模型的提出 | 第42页 |
| 4．2．2 集多元统计分析特点的综合模型 | 第42-48页 |
| 4．3 本章小结 | 第48-49页 |
| 第5章 模型在宏观经济预测中的应用 | 第49-69页 |
| 5．1 方案设计 | 第49-50页 |
| 5．2 网络算法 | 第50-52页 |
| 5．3 试验数据收集 | 第52-55页 |
| 5．3．1 时间序列数据 | 第52-53页 |
| 5．3．2 断面数据 | 第53-55页 |
| 5．4 三种模型的建立和模拟预测 | 第55-67页 |
| 5．4．1 单一神经网络时间序列模型 | 第55-59页 |
| 5．4．2 综合属性数据和时间序列数据的神经网络预测模型 | 第59-62页 |
| 5．4．3 主成份分析处理的综合模型 | 第62-66页 |
| 5．4．4 三模型实验的对比分析 | 第66-67页 |
| 5．5 实验结论 | 第67页 |
| 5．6 本章小结 | 第67-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文 | 第75-76页 |
| 致谢 | 第76页 |