| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究的背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 时间序列的降维表示法 | 第12-13页 |
| 1.2.2 时间序列的预测模型 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 时间序列分析与预测研究基础 | 第17-29页 |
| 2.1 时间序列相关定义 | 第17-20页 |
| 2.1.1 时间序列 | 第17-18页 |
| 2.1.2 时序表示法 | 第18-19页 |
| 2.1.3 时序相似性度量 | 第19-20页 |
| 2.2 时序表示法及下界算法 | 第20-23页 |
| 2.2.1 SAX表示法及相似性度量 | 第21-22页 |
| 2.2.2 SAX-TD表示法及相似性度量 | 第22-23页 |
| 2.2.3 限定符号误差的SAX表示法 | 第23页 |
| 2.3 时间序列预测模型 | 第23-26页 |
| 2.3.1 时序预测相关概念 | 第24-25页 |
| 2.3.2 传统时序预测模型 | 第25页 |
| 2.3.3 基于支持向量机的时序预测模型 | 第25-26页 |
| 2.3.4 基于人工神经网络预测模型 | 第26页 |
| 2.4 BP神经网络时序预测模型 | 第26-28页 |
| 2.4.1 神经网络结构 | 第27页 |
| 2.4.2 BP学习算法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于二分迭代SAX的时序相似性度量算法 | 第29-39页 |
| 3.1 算法概述 | 第29页 |
| 3.2 二分迭代窗口划分法 | 第29-31页 |
| 3.3 基于二分迭代的SAX表示法 | 第31-32页 |
| 3.4 基于二分迭代的SAX下界距离算法 | 第32-33页 |
| 3.5 实验与分析 | 第33-37页 |
| 3.5.1 实验环境与数据 | 第33-34页 |
| 3.5.2 实验结果与分析 | 第34-37页 |
| 3.5.3 结论 | 第37页 |
| 3.6 本章小结 | 第37-39页 |
| 第四章 基于BP神经网络的对数周期幂律混合模型的研究 | 第39-51页 |
| 4.1 基于BP神经网络的对数周期幂律混合模型 | 第39-40页 |
| 4.2 时序趋势预测模型 | 第40-41页 |
| 4.3 残差神经网络模型 | 第41-44页 |
| 4.3.1 残差神经网络结构 | 第42页 |
| 4.3.2 训练网络 | 第42-44页 |
| 4.4 实验与分析 | 第44-49页 |
| 4.4.1 实验环境与数据 | 第44-45页 |
| 4.4.2 实验结果与分析 | 第45-49页 |
| 4.4.3 结论 | 第49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 基于SAX表示法的对数周期幂律混合模型 | 第51-61页 |
| 5.1 基于SAX表示法的对数周期幂律混合模型 | 第51-52页 |
| 5.2 SAX表示残差序列 | 第52页 |
| 5.3 基于SAX表示法的残差神经网络 | 第52-54页 |
| 5.4 实验与分析 | 第54-58页 |
| 5.4.1 实验环境与数据 | 第54页 |
| 5.4.2 实验结果与分析 | 第54-58页 |
| 5.4.3 结论 | 第58页 |
| 5.5 本章小结 | 第58-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 攻读硕士学位期间发表的论文 | 第69页 |