| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 主要符号表 | 第14-15页 |
| 1 绪论 | 第15-34页 |
| 1.1 时间序列模型及预测的研究背景与意义 | 第15-16页 |
| 1.2 时间序列模型及预测的研究现状 | 第16-32页 |
| 1.2.1 经典时间序列模型及预测现状 | 第17-24页 |
| 1.2.2 基于计算智能技术的时间序列模型及预测现状 | 第24-28页 |
| 1.2.3 模糊时间序列模型及预测现状 | 第28-32页 |
| 1.3 本文主要研究思路及内容 | 第32-34页 |
| 2 时间序列模型及预测的相关工作 | 第34-52页 |
| 2.1 引言 | 第34页 |
| 2.2 几种典型的时间序列模型及预测 | 第34-44页 |
| 2.2.1 向量自回归模型 | 第34-36页 |
| 2.2.2 滑动平均模型 | 第36-37页 |
| 2.2.3 向量自回归滑动平均模型 | 第37-39页 |
| 2.2.4 向量误差修正模型 | 第39-40页 |
| 2.2.5 自回归条件异方差模型 | 第40-42页 |
| 2.2.6 最小均方误差预测 | 第42-44页 |
| 2.3 人工神经网络模型及预测 | 第44-45页 |
| 2.4 模糊时间序列模型及预测的基本框架 | 第45-50页 |
| 2.5 本章小结 | 第50-52页 |
| 3 基于信息粒度的模糊时间序列模型及预测 | 第52-71页 |
| 3.1 引言 | 第52页 |
| 3.2 基于信息粒度和模糊聚类的论域划分方法 | 第52-58页 |
| 3.2.1 方法的理论知识 | 第52-55页 |
| 3.2.2 提出的论域划分方法 | 第55-58页 |
| 3.3 基于信息粒度的模糊时间序列模型 | 第58-59页 |
| 3.4 实验结果与分析 | 第59-70页 |
| 3.4.1 Alabama大学入学人数预测 | 第59-66页 |
| 3.4.2 DAX股票月值指数预测 | 第66-70页 |
| 3.5 本章小结 | 第70-71页 |
| 4 包含时域信息的模糊时间序列模型及预测 | 第71-92页 |
| 4.1 引言 | 第71页 |
| 4.2 包含时间变量信息的论域划分方法 | 第71-77页 |
| 4.2.1 方法的理论知识 | 第71-73页 |
| 4.2.2 提出的论域划分方法 | 第73-77页 |
| 4.3 包含时间信息的模糊时间序列模型 | 第77-78页 |
| 4.4 实验结果与分析 | 第78-90页 |
| 4.4.1 Alabama大学入学人数预测 | 第78-86页 |
| 4.4.2 TAIEX预测 | 第86-90页 |
| 4.5 本章小结 | 第90-92页 |
| 5 基于Granger相关性的时间序列模型及预测 | 第92-108页 |
| 5.1 引言 | 第92页 |
| 5.2 相关知识 | 第92-95页 |
| 5.2.1 Granger相关性及假设检验 | 第93-94页 |
| 5.2.2 利用神经网络识别函数关系 | 第94-95页 |
| 5.3 基于Granger相关性的时间序列模型 | 第95-97页 |
| 5.4 实验结果与分析 | 第97-107页 |
| 5.4.1 人工合成数据预测 | 第98-103页 |
| 5.4.2 真实数据预测 | 第103-107页 |
| 5.5 本章小结 | 第107-108页 |
| 6 结论与展望 | 第108-111页 |
| 6.1 结论 | 第108-109页 |
| 6.2 创新点 | 第109页 |
| 6.3 展望 | 第109-111页 |
| 参考文献 | 第111-120页 |
| 攻读博士学位期间科研项目及科研成果 | 第120-121页 |
| 致谢 | 第121-122页 |
| 作者简介 | 第122页 |