| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 1.5 本章总结 | 第14-15页 |
| 2 基于AdaBoost回归树的单目标预测算法ART | 第15-26页 |
| 2.1 弱回归模型选择 | 第15-18页 |
| 2.1.1 弱回归模型评估方法 | 第15-17页 |
| 2.1.2 回归树CART算法介绍 | 第17-18页 |
| 2.2 基于AdaBoost回归树迭代算法原理 | 第18-22页 |
| 2.2.1 AdaBoost算法介绍 | 第19-20页 |
| 2.2.2 AdaBoost算法具体实现过程 | 第20-22页 |
| 2.3 AdaBoost算法分析 | 第22-25页 |
| 2.3.1 AdaBoost算法误差界分析 | 第22-24页 |
| 2.3.2 AdaBoost算法优点分析 | 第24-25页 |
| 2.4 本章总结 | 第25-26页 |
| 3 基于目标堆叠泛化的多目标预测MTS | 第26-40页 |
| 3.1 多标签分类学习与多目标预测区别 | 第26-31页 |
| 3.1.1 多标签分类学习任务 | 第27-28页 |
| 3.1.2 多目标回归预测任务 | 第28-29页 |
| 3.1.3 从多标签分类到多目标预测 | 第29-31页 |
| 3.2 基于目标堆叠泛化的多目标预测方法MTS | 第31-36页 |
| 3.2.1 多目标预测模型中的变量声明 | 第31-32页 |
| 3.2.2 多目标预测模型MTS的建立 | 第32-36页 |
| 3.3 MTS的改进方法MTSC | 第36-39页 |
| 3.3.1 K-折交叉验证的介绍 | 第36-37页 |
| 3.3.2 改进方法MTSC | 第37-39页 |
| 3.4 本章总结 | 第39-40页 |
| 4 基于集成回归链的多目标预测方法ERC | 第40-49页 |
| 4.1 用于多标记分类学习的分类器链算法 | 第40-42页 |
| 4.1.1 CC算法介绍 | 第40-41页 |
| 4.1.2 CC算法的改进 | 第41-42页 |
| 4.2 基于集成回归链的多目标预测方法ERC | 第42-46页 |
| 4.2.1 ERC训练过程 | 第42-43页 |
| 4.2.2 RC预测过程 | 第43-44页 |
| 4.2.3 整合回归链ERC计算过程 | 第44-46页 |
| 4.3 ERC改进方法ERCC | 第46-48页 |
| 4.3.1 改进方法ERCC | 第46-47页 |
| 4.3.2 RCC算法训练过程 | 第47-48页 |
| 4.4 本章总结 | 第48-49页 |
| 5 实验结果与分析 | 第49-60页 |
| 5.1 实验参数与设置 | 第49-50页 |
| 5.2 实验评估方法 | 第50-51页 |
| 5.3 实验数据集 | 第51-53页 |
| 5.4 实验结果与分析 | 第53-59页 |
| 5.4.1 实验结果 | 第53-54页 |
| 5.4.2 实验结果对比分析 | 第54-59页 |
| 5.5 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 论文总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |