| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 引言 | 第11页 |
| 1.2 时间序列研究方法 | 第11-15页 |
| 1.2.1 时间序列分析及其特点 | 第11-13页 |
| 1.2.2 时间序列分析的应用背景 | 第13-14页 |
| 1.2.3 时间序列中的预处理和建模分析的研究现状 | 第14-15页 |
| 1.3 机器学习中的预测问题 | 第15-20页 |
| 1.3.1 分类问题 | 第16-18页 |
| 1.3.2 回归分析 | 第18-19页 |
| 1.3.3 时间序列预测问题 | 第19-20页 |
| 1.4 本文内容与结构安排 | 第20-22页 |
| 第二章 时间序列特征提取方法 | 第22-30页 |
| 2.1 相关的时间序列特征提取方法 | 第22-26页 |
| 2.1.1 基于多层Haar小波变换的时间序列特征提取 | 第22-24页 |
| 2.1.2 基于高斯特征的时间学列特征提取 | 第24-25页 |
| 2.1.3 基于动态时间规整的时间序列距离度量方法 | 第25-26页 |
| 2.2 时间序列高层直方图特征提取方法 | 第26-27页 |
| 2.3 本章小结 | 第27-30页 |
| 第三章 基于Group Lasso的电信离网用户分析 | 第30-39页 |
| 3.1 离网用户分析背景介绍和计算框架 | 第30-31页 |
| 3.2 多源数据特征抽取 | 第31-32页 |
| 3.2.1 电信后台多源数据项介绍 | 第31页 |
| 3.2.2 多源数据特征抽取方法 | 第31-32页 |
| 3.3 Group Lasso方法 | 第32-34页 |
| 3.3.1 Lasso特征选择方法 | 第32-33页 |
| 3.3.2 Group Lasso方法 | 第33-34页 |
| 3.4 实验结果分析 | 第34-38页 |
| 3.4.1 训练集和测试集的划分 | 第34页 |
| 3.4.2 评价指标和参数设置 | 第34页 |
| 3.4.3 组内特征观察 | 第34-35页 |
| 3.4.4 交叉验证结果分析 | 第35-37页 |
| 3.4.5 测试集实验结果 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于高斯特征和聚类分组的Ratio计算方法 | 第39-49页 |
| 4.1 话务预测背景介绍和计算框架 | 第39-40页 |
| 4.2 特征抽取 | 第40-42页 |
| 4.2.1 数据来源分析和数据项介绍 | 第40-42页 |
| 4.2.2 特征抽取方法介绍 | 第42页 |
| 4.3 基于时间序列的Ratio生成算法 | 第42-44页 |
| 4.3.1 基于自身变化的Ratio值 | 第42-43页 |
| 4.3.2 基于近邻分组的均值Ratio | 第43页 |
| 4.3.3 基于聚类分组的均值Ratio | 第43-44页 |
| 4.4 实验结果分析 | 第44-47页 |
| 4.4.1 训练集和测试集的划分 | 第44页 |
| 4.4.2 参数设置和评价指标 | 第44-45页 |
| 4.4.3 聚类结果和特征性能观察 | 第45-46页 |
| 4.4.4 Ratio算法和不同日期预测效果的性能观察 | 第46-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 基于SARIMA和GRNN的发电负荷预测模型 | 第49-64页 |
| 5.1 负荷预测背景介绍和计算框架 | 第49-50页 |
| 5.2 SARIMA模型 | 第50-55页 |
| 5.2.1 AR和MA模型 | 第50-52页 |
| 5.2.2 ARMA模型和ARIMA模型 | 第52-54页 |
| 5.2.3 SARIMA模型 | 第54-55页 |
| 5.3 基于神经网络的时间序列回归模型 | 第55-57页 |
| 5.3.1 GRNN预测模型介绍 | 第55-57页 |
| 5.3.2 神经网络模型在多影响因素的时间序列预测中的预测优势 | 第57页 |
| 5.4 多模型融合的负荷时间序列预测方法 | 第57-58页 |
| 5.4.1 春节预测模型 | 第57-58页 |
| 5.4.2 多模型分段融合的预测方法 | 第58页 |
| 5.5 实验结果分析 | 第58-63页 |
| 5.5.1 特征抽取以及训练集测试集的划分 | 第58-59页 |
| 5.5.2 参数设置和评价指标 | 第59-60页 |
| 5.5.3 SARIMA模型效果观察分析 | 第60-61页 |
| 5.5.4 GRNN模型性能观察 | 第61页 |
| 5.5.5 春节模型性能观察 | 第61-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 总结和展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 简历与科研成果 | 第72-73页 |
| 致谢 | 第73-74页 |
