| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 水文时间序列研究概况 | 第9-10页 |
| 1.3 研究内容与技术路线 | 第10-12页 |
| 1.4 文章结构安排 | 第12-14页 |
| 第二章 方法介绍 | 第14-29页 |
| 2.1 时间序列分析 | 第14-18页 |
| 2.1.1 时间序列分析的发展 | 第14页 |
| 2.1.2 平稳时间序列模型 | 第14-17页 |
| 2.1.3 非平稳时间序列模型 | 第17-18页 |
| 2.1.4 乘法季节ARIMA(SARIMA)模型 | 第18页 |
| 2.2 随机森林 | 第18-22页 |
| 2.2.1 决策树 | 第18-20页 |
| 2.2.2 随机森林 | 第20-21页 |
| 2.2.3 特征选择概况 | 第21页 |
| 2.2.4 随机森林用于特征选择 | 第21-22页 |
| 2.3 支持向量机 | 第22-29页 |
| 2.3.1 机器学习方法概述 | 第22-23页 |
| 2.3.2 支持向量机SVM | 第23-26页 |
| 2.3.3 支持向量回归SVR | 第26-27页 |
| 2.3.4 SVR模型的参数选取 | 第27-29页 |
| 第三章 实证分析 | 第29-40页 |
| 3.1 数据描述及预处理 | 第29-31页 |
| 3.2 时间序列建模 | 第31-35页 |
| 3.2.1 平稳性检验 | 第31-32页 |
| 3.2.2 参数选择及模型建立 | 第32-34页 |
| 3.2.3 模型检验 | 第34-35页 |
| 3.3 随机森林特征选择 | 第35-36页 |
| 3.4 残差预测及结果修正 | 第36-38页 |
| 3.5 模型结果对比 | 第38-40页 |
| 第四章 结论与展望 | 第40-41页 |
| 4.1 结论分析 | 第40页 |
| 4.2 研究展望 | 第40-41页 |
| 参考文献 | 第41-43页 |
| 致谢 | 第43页 |