| 中文摘要 | 第1-8页 |
| Abstract | 第8-12页 |
| 第一章 绪论 | 第12-17页 |
| ·选题背景及意义 | 第12-14页 |
| ·课题背景 | 第12-13页 |
| ·燃气负荷预测的意义 | 第13-14页 |
| ·国内外燃气预测研究状况概述 | 第14-15页 |
| ·国外研究状况 | 第14页 |
| ·国内研究状况 | 第14-15页 |
| ·本文研究的内容及章节安排 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第二章 燃气负荷量预测的研究方法 | 第17-25页 |
| ·燃气负荷的定义和分类 | 第17页 |
| ·燃气负荷量的特征 | 第17-19页 |
| ·燃气负荷量预测研究主要方法 | 第19-24页 |
| ·传统的统计学法 | 第19-22页 |
| ·人工智能预测法 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 人工神经网络原理及ARIMA模型 | 第25-40页 |
| ·人工神经网络原理 | 第25-33页 |
| ·人工神经网络简介 | 第25-26页 |
| ·人工神经网络的研究与发展 | 第26-28页 |
| ·人工神经网络的特点和分类 | 第28-29页 |
| ·BP神经网络算法 | 第29-33页 |
| ·时间序列预测中的ARIMA模型 | 第33-37页 |
| ·时间序列的定义与分类 | 第33-34页 |
| ·时间序列的组成成分 | 第34-35页 |
| ·ARIMA模型 | 第35-37页 |
| ·燃气负荷预测误的误差评价指标 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 数据挖掘在燃气负荷量离群点处理中的应用 | 第40-51页 |
| ·数据挖掘简介 | 第40-41页 |
| ·离散数据挖掘概述和方法简介 | 第41-48页 |
| ·基于统计学的方法 | 第42-43页 |
| ·基于距离的方法 | 第43-45页 |
| ·基于密度的方法 | 第45-46页 |
| ·基于聚类的方法 | 第46-47页 |
| ·基于偏离的方法 | 第47-48页 |
| ·其它的离群点挖掘算法 | 第48页 |
| ·离群数据点的修正 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 分解-组合模型在短期燃气负荷预测中的实际运用 | 第51-83页 |
| ·分解-组合模型的提出 | 第51-52页 |
| ·Eviews分解法 | 第52-61页 |
| ·离群点挖掘与修正 | 第53-55页 |
| ·Eviews进行分解过程 | 第55-57页 |
| ·ARIMA进行建模和预测 | 第57-59页 |
| ·BP神经网络对SF进行建模和预测 | 第59-61页 |
| ·公式分解法 | 第61-68页 |
| ·数据的预处理 | 第63-64页 |
| ·BP神经网络预测方法 | 第64-66页 |
| ·ARIMA建模预测 | 第66-68页 |
| ·小波分频法 | 第68-72页 |
| ·小波分析 | 第69-71页 |
| ·ARIMA预测 | 第71页 |
| ·BP神经网络预测 | 第71-72页 |
| ·小波分析组合模型预测结果 | 第72页 |
| ·分解-组合模型的有效性分析 | 第72-79页 |
| ·精度有效性分析 | 第73-77页 |
| ·类型有效性分析 | 第77-79页 |
| ·分解-组合模型的适用性分析 | 第79-81页 |
| ·本章小结 | 第81-83页 |
| 第六章 总结与展望 | 第83-85页 |
| ·总结 | 第83页 |
| ·下一步工作的展望 | 第83-85页 |
| 致谢 | 第85-86页 |
| 硕士期间发表的论文 | 第86-87页 |
| 参考文献 | 第87-89页 |