| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 话务量预测选题的背景与意义 | 第8-9页 |
| 1.1.1 选题的背景 | 第8-9页 |
| 1.1.2 选题的意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文的主要研究内容及组织结构安排 | 第11-13页 |
| 1.3.1 主要研究内容 | 第11-12页 |
| 1.3.2 内容组织安排 | 第12-13页 |
| 第二章 话务量的基本理论知识和几种常见的预测模型 | 第13-19页 |
| 2.1 话务量的基本理论简介 | 第13-14页 |
| 2.1.1 话务量的概念 | 第13页 |
| 2.1.2 忙时话务量的定义 | 第13页 |
| 2.1.3 话务量的特点 | 第13-14页 |
| 2.2 几种常见的预测模型 | 第14-19页 |
| 2.2.1 ARMA 预测模型 | 第14-15页 |
| 2.2.2 神经网络预测模型 | 第15-16页 |
| 2.2.3 支持向量机预测模型 | 第16-17页 |
| 2.2.4 小波预测模型 | 第17-19页 |
| 第三章 多因素影响下的忙时话务量预测模型的研究 | 第19-29页 |
| 3.1 引言 | 第19-20页 |
| 3.2 粒子群优化的最小二乘支持向量机相关原理及算法 | 第20-25页 |
| 3.2.1 数据预处理 | 第20页 |
| 3.2.2 相关性分析 | 第20-21页 |
| 3.2.3 最小二乘支持向量机模型预测 | 第21-23页 |
| 3.2.4 粒子群算法 | 第23-25页 |
| 3.3 算法实现过程 | 第25页 |
| 3.4 仿真实验分析 | 第25-28页 |
| 3.4.1 数据来源 | 第25-26页 |
| 3.4.2 预测结果分析 | 第26-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第四章 小波变换和 LS-SVM 模型的忙时话务量预测模型 | 第29-37页 |
| 4.1 引言 | 第29页 |
| 4.2 改进的小波变换和 LS-SVM 模型的忙时话务量预测算法 | 第29-32页 |
| 4.2.1 数据预处理 | 第29-30页 |
| 4.2.2 小波分解及其重构算法 | 第30-32页 |
| 4.2.3 最小二成支持向量机模型预测 | 第32页 |
| 4.3 算法实现过程 | 第32页 |
| 4.4 仿真实验分析 | 第32-36页 |
| 4.4.1 数据来源 | 第32-33页 |
| 4.4.2 Mallat 小波分解和单支重构 | 第33-34页 |
| 4.4.3 LS_SVM 模型预测 | 第34-35页 |
| 4.4.4 结果分析 | 第35-36页 |
| 4.5 本文小结 | 第36-37页 |
| 第五章 基于小波变换和优化的 LS_SVM 的忙时话务量预测 | 第37-46页 |
| 5.1 引言 | 第37页 |
| 5.2 小波变换和 PSO_LSSVM 模型的忙时话务量预测算法 | 第37-40页 |
| 5.2.1 数据预处理 | 第37-38页 |
| 5.2.2 小波分解及其重构算法 | 第38-39页 |
| 5.2.3 最小二乘支持向量机模型预测 | 第39-40页 |
| 5.2.4 改进的粒子群算法 | 第40页 |
| 5.3 算法实现过程 | 第40-41页 |
| 5.4 仿真实验分析 | 第41-45页 |
| 5.4.1 数据来源 | 第41-42页 |
| 5.4.2 Mallat 小波分解和单支重构 | 第42页 |
| 5.4.3 LS_SVM 模型预测 | 第42-43页 |
| 5.4.5 结果分析 | 第43-45页 |
| 5.5 本章小结 | 第45-46页 |
| 第六章 总结与展望 | 第46-48页 |
| 6.1 总结 | 第46页 |
| 6.2 展望 | 第46-48页 |
| 参考文献 | 第48-53页 |
| 硕士期间发表的论文 | 第53-54页 |
| 致谢 | 第54页 |
