基于内存计算的钢铁价格预测算法研究
| 摘要 | 第5-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 研究课题背景 | 第13-15页 |
| 1.1.1 钢铁研究背景 | 第13-14页 |
| 1.1.2 大数据与内存计算研究背景 | 第14-15页 |
| 1.2 国内外预测理论发展及研究现状 | 第15-19页 |
| 1.2.1 贝叶斯模型 | 第15-16页 |
| 1.2.2 ARMA 模型 | 第16-17页 |
| 1.2.3 支持向量机预测模型 | 第17-18页 |
| 1.2.4 BP神经网络模型 | 第18-19页 |
| 1.3 内存计算SAP HANA发展及研究现状 | 第19-20页 |
| 1.3.1 HANA软件方面 | 第19-20页 |
| 1.3.2 HANA硬件方面 | 第20页 |
| 1.4 研究意义 | 第20-21页 |
| 1.5 本文组织结构 | 第21-22页 |
| 第2章 BP神经网络 | 第22-31页 |
| 2.1 BP神经网络定义 | 第22页 |
| 2.2 BP神经网络模型及其基本原理 | 第22-23页 |
| 2.3 基本BP算法公式推导 | 第23-26页 |
| 2.4 BP网络的优点以及局限性 | 第26-27页 |
| 2.5 BP 算法的改进 | 第27-29页 |
| 2.5.1 附加动量法 | 第27-28页 |
| 2.5.2 自适应学习速率 | 第28-29页 |
| 2.5.3 动量-自适应学习速率调整算法 | 第29页 |
| 2.6 BP神经网络在价格预测中的适用性 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第3章 内存计算SAP HANA | 第31-40页 |
| 3.1 SAP HANA 内存技术特点 | 第31-35页 |
| 3.1.1 高效的并行处理机制 | 第31页 |
| 3.1.2 基于内存的高效数据读取和处理 | 第31-32页 |
| 3.1.3 高效的数据压缩化内存利用 | 第32页 |
| 3.1.4 行存储和列存储的混合模式 | 第32-33页 |
| 3.1.5 虚拟建模减少数据冗余 | 第33-34页 |
| 3.1.6 在数据库层面进行数据密集型 | 第34-35页 |
| 3.2 SAP HANA系统架构 | 第35-37页 |
| 3.2.1 HANA 内存计算引擎 | 第36页 |
| 3.2.2 HANA工作台 | 第36-37页 |
| 3.2.3 展现层 | 第37页 |
| 3.3 SAP HANA 预测分析库 | 第37-39页 |
| 3.3.1 PAL简介 | 第37-38页 |
| 3.3.2 PAL函数使用步骤 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 钢铁价格预测模型构造 | 第40-53页 |
| 4.1 钢铁价格预测BP神经网络模型设计 | 第40-49页 |
| 4.1.1 影响钢铁价格主因分析 | 第40-41页 |
| 4.1.2 BP神经网络网格设计 | 第41-42页 |
| 4.1.3 BP神经网络隐含层节点数 | 第42-43页 |
| 4.1.4 数据的标准化 | 第43-45页 |
| 4.1.5 训练算法选择 | 第45-47页 |
| 4.1.6 LM算法实现 | 第47-49页 |
| 4.2 实验环境配置 | 第49-51页 |
| 4.2.1 SAP HANA 硬件配置 | 第49页 |
| 4.2.2 SAP HANA PAL配置 | 第49页 |
| 4.2.3 R语言集成 | 第49-51页 |
| 4.3 结果分析 | 第51-52页 |
| 4.3.1 数据处理性能对比 | 第51-52页 |
| 4.3.2 准确率对比 | 第52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 工作展望 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 攻读硕士学位期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58页 |
