| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.3 课题研究内容与论文结构 | 第13-16页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 论文结构 | 第14-16页 |
| 第二章 集成算法 | 第16-25页 |
| 2.1 集成算法概述 | 第16页 |
| 2.2 个体学习器 | 第16页 |
| 2.3 集成学习分类 | 第16-20页 |
| 2.3.1 Bagging算法 | 第16-17页 |
| 2.3.2 Boosting算法 | 第17-20页 |
| 2.4 LightGBM(LightGradientBoostingMachine)算法 | 第20-24页 |
| 2.4.1 直方图算法 | 第20-21页 |
| 2.4.2 带深度限制的Leaf-wise的叶子生长策略 | 第21-22页 |
| 2.4.3 直接支持类别特征 | 第22-23页 |
| 2.4.4 直接支持高效并行 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 深度学习 | 第25-38页 |
| 3.1 人工神经网络 | 第25-28页 |
| 3.1.1 神经元 | 第25-26页 |
| 3.1.2 激活函数 | 第26-27页 |
| 3.1.3 神经网络系统 | 第27-28页 |
| 3.2 BP神经网络 | 第28-30页 |
| 3.3 深度学习 | 第30-36页 |
| 3.3.1 卷积神经网络CNN | 第31-33页 |
| 3.3.2 循环神经网络RNN | 第33-35页 |
| 3.3.3 长短期记忆网络LSTM | 第35-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 基于CNN与LightGBM的价格预测模型 | 第38-53页 |
| 4.1 价格预测模型设计框架 | 第38页 |
| 4.2 数据的预处理 | 第38-43页 |
| 4.2.1 缺失值处理 | 第39-40页 |
| 4.2.2 异常值处理 | 第40-43页 |
| 4.2.3 数据归一化处理 | 第43页 |
| 4.3 基于CNN的特征提取 | 第43-47页 |
| 4.4 LightGBM预测模型 | 第47-48页 |
| 4.5 实验结果分析 | 第48-52页 |
| 4.5.1 使用CNN-LightGBM组合算法预测蔬菜价格 | 第48-51页 |
| 4.5.2 使用CNN-LightGBM组合算法预测水果价格 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 多因素影响的LSTM价格预测模型 | 第53-63页 |
| 5.1 价格预测模型设计框架 | 第53-56页 |
| 5.1.1 LSTM对时序信息的处理 | 第54-56页 |
| 5.1.2 其它特征网络结构 | 第56页 |
| 5.2 特征提取 | 第56-59页 |
| 5.2.1 时间信息相关特征 | 第56-58页 |
| 5.2.2 农产品价格相关特征 | 第58页 |
| 5.2.3 特征拼接及归一化 | 第58-59页 |
| 5.3 实验结果分析 | 第59-62页 |
| 5.3.1 基于多因素的LSTM模型对蔬菜价格预测分析 | 第59-60页 |
| 5.3.2 基于多因素的LSTM模型对水果价格预测分析 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |
