摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
目录 | 第9-12页 |
第1章 绪论 | 第12-24页 |
1.1 研究背景与研究意义 | 第12-15页 |
1.1.1 论文研究背景 | 第12-13页 |
1.1.2 论文研究意义 | 第13-15页 |
1.2 时间序列数据挖掘的研究现状 | 第15-20页 |
1.2.1 主要研究方法 | 第15-16页 |
1.2.2 主要研究内容 | 第16-19页 |
1.2.3 存在的问题和研究的方向 | 第19-20页 |
1.3 本文工作 | 第20-24页 |
1.3.1 研究内容 | 第20-21页 |
1.3.2 论文结构 | 第21-24页 |
第2章 时间序列数据的维数约简与预测研究基础 | 第24-36页 |
2.1 时间序列 | 第24-28页 |
2.1.1 时间序列的概念 | 第24-25页 |
2.1.2 时间序列的分类 | 第25-26页 |
2.1.3 时间序列的度量方法 | 第26-28页 |
2.2 时间序列的维数约简方法 | 第28-32页 |
2.2.1 时间序列的特征选择 | 第29-31页 |
2.2.2 时间序列的特征表示 | 第31-32页 |
2.3 时间序列的预测方法 | 第32-34页 |
2.3.1 单变量时间序列的预测 | 第32-33页 |
2.3.2 多变量时间序列的预测 | 第33-34页 |
2.4 本章小结 | 第34-36页 |
第3章 基于因果关系挖掘的多变量时间序列特征提取 | 第36-66页 |
3.1 时间序列因果关系挖掘概述 | 第36-37页 |
3.2 Granger因果关系 | 第37-38页 |
3.3 基于Granger因果关系的多变量时间序列特征提取 | 第38-51页 |
3.3.1 问题提出 | 第38-39页 |
3.3.2 算法思想:二维的多变量时间序列特征提取 | 第39-40页 |
3.3.3 算法的形式化描述 | 第40-41页 |
3.3.4 算法的推导 | 第41-44页 |
3.3.5 算法的假设和优点 | 第44-45页 |
3.3.6 算法的步骤 | 第45-47页 |
3.3.7 算法的实现 | 第47-49页 |
3.3.8 算法的解释和分析 | 第49-51页 |
3.4 实验及分析 | 第51-64页 |
3.4.1 实验数据 | 第51-52页 |
3.4.2 评价方法和指标 | 第52-54页 |
3.4.3 实验结果和比较分析 | 第54-58页 |
3.4.4 现实案例学习 | 第58-64页 |
3.5 本章小结 | 第64-66页 |
第4章 基于趋势距离的时间序列符号聚合近似表示方法 | 第66-96页 |
4.1 分段聚合近似表示方法 | 第66-68页 |
4.2 符号聚合近似表示方法 | 第68-70页 |
4.3 分段数目和符号数目的选取 | 第70-72页 |
4.4 问题的提出 | 第72-74页 |
4.5 趋势距离 | 第74-78页 |
4.6 基于趋势距离的符号聚合近似表示方法 | 第78-83页 |
4.6.1 表示方法 | 第78页 |
4.6.2 距离度量 | 第78-80页 |
4.6.3 距离下界性 | 第80-83页 |
4.7 实验及分析 | 第83-94页 |
4.7.1 实验数据 | 第83页 |
4.7.2 评价方法及参数选取 | 第83-85页 |
4.7.3 实验结果及比较分析 | 第85-94页 |
4.8 本章小结 | 第94-96页 |
第5章 时间序列的预测方法研究 | 第96-106页 |
5.1 单变量时间序列预测 | 第96-103页 |
5.1.1 自回归滑动平均预测模型 | 第96-97页 |
5.1.2 预测值自修正的预测模型 | 第97-100页 |
5.1.3 实验结果与分析 | 第100-103页 |
5.2 多变量时间序列预测 | 第103-105页 |
5.2.1 支持向量回归 | 第103-104页 |
5.2.2 基于因果特征提取和支持向量回归的预测 | 第104-105页 |
5.3 本章小结 | 第105-106页 |
第6章 总结与展望 | 第106-108页 |
6.1 本文研究内容总结 | 第106-107页 |
6.2 未来研究工作展望 | 第107-108页 |
参考文献 | 第108-120页 |
致谢 | 第120-122页 |
在读期间发表的学术论文与取得的研究成果 | 第122-123页 |