| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 论文研究的目的和意义 | 第8页 |
| 1.2 国内外研究历史和现状 | 第8-10页 |
| 1.3 论文组织结构与主要创新 | 第10-11页 |
| 1.3.1 论文组织结构 | 第10页 |
| 1.3.2 主要创新点 | 第10-11页 |
| 第二章 预测模型 | 第11-29页 |
| 2.1 时间序列模型 | 第11-17页 |
| 2.1.1 ARIMA(p,d,q)模型 | 第11-13页 |
| 2.1.2 GARCH(p,q)模型 | 第13-14页 |
| 2.1.3 灰色模型 | 第14-17页 |
| 2.2 神经网络预测方法 | 第17-28页 |
| 2.2.1 BP神经网络 | 第17-22页 |
| 2.2.2 小波神经网络 | 第22-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 集成预测模型 | 第29-33页 |
| 3.1 神经网络集成算子 | 第29-30页 |
| 3.2 核密度估计 | 第30-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 优化算法 | 第33-39页 |
| 4.1 粒子群(PSO)优化算法 | 第33-35页 |
| 4.2 布谷鸟(CS)优化算法 | 第35-38页 |
| 4.3 本章小结 | 第38-39页 |
| 第五章 基于神经网络集成算子的混合模型的研究与应用 | 第39-60页 |
| 5.1 数据来源 | 第39-41页 |
| 5.2 评价指标 | 第41-42页 |
| 5.3 案例分析 | 第42-59页 |
| 5.3.1 案例1 | 第42-46页 |
| 5.3.2 案例2 | 第46-50页 |
| 5.3.3 案例3 | 第50-55页 |
| 5.3.4 案例4 | 第55-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 结论与展望 | 第60-62页 |
| 6.1 结论 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 在学期间的研究成果 | 第65-66页 |
| 致谢 | 第66页 |