| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题来源 | 第10页 |
| 1.2 研究背景和意义 | 第10-11页 |
| 1.3 国内外研究现状及分析 | 第11-14页 |
| 1.3.1 国外研究现状分析 | 第11-12页 |
| 1.3.2 国内研究现状分析 | 第12-14页 |
| 1.4 本文的主要研究内容 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-17页 |
| 第2章 预备知识 | 第17-23页 |
| 2.1 引言 | 第17页 |
| 2.2 时间序列预测 | 第17-19页 |
| 2.2.1 长短期记忆网络LSTM | 第18-19页 |
| 2.3 迁移学习 | 第19-21页 |
| 2.3.1 迁移学习基础概念 | 第20页 |
| 2.3.2 基于神经网络的迁移学习 | 第20-21页 |
| 2.4 终身机器学习 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于时间序列分析的流量预测 | 第23-36页 |
| 3.1 引言 | 第23页 |
| 3.2 问题描述 | 第23-24页 |
| 3.3 多变量调优的LSTM算法 | 第24-28页 |
| 3.3.1 数据转换模块 | 第24-26页 |
| 3.3.2 LSTM建模模块 | 第26-27页 |
| 3.3.3 调优模块 | 第27-28页 |
| 3.4 算法描述与分析 | 第28-30页 |
| 3.5 实验结果 | 第30-35页 |
| 3.5.1 预测型问题的算法评价方式 | 第30页 |
| 3.5.2 实验搭建 | 第30-31页 |
| 3.5.3 多变量调优的LSTM算法调优 | 第31-34页 |
| 3.5.4 对比实验结果 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于迁移学习的故障预测 | 第36-50页 |
| 4.1 引言 | 第36页 |
| 4.2 问题描述 | 第36-37页 |
| 4.3 近似算法 | 第37页 |
| 4.4 基于时间窗口的迁移学习算法 | 第37-42页 |
| 4.4.1 时间窗口模块 | 第38-40页 |
| 4.4.2 映射网络模块 | 第40-41页 |
| 4.4.3 模型迁移模块 | 第41-42页 |
| 4.5 算法描述与分析 | 第42-44页 |
| 4.6 实验结果 | 第44-49页 |
| 4.6.1 分类型问题的算法评价方式 | 第44-45页 |
| 4.6.2 实验搭建 | 第45-46页 |
| 4.6.3 映射网络优化 | 第46-47页 |
| 4.6.4 迁移学习实验结果 | 第47-49页 |
| 4.7 本章小结 | 第49-50页 |
| 第5章 面向终身学习的预测 | 第50-62页 |
| 5.1 引言 | 第50页 |
| 5.2 问题描述 | 第50-51页 |
| 5.3 基于数据更新模型的终身学习预测算法 | 第51-55页 |
| 5.3.1 数据相似性模块 | 第52-53页 |
| 5.3.2 损失函数模块 | 第53-55页 |
| 5.4 算法描述与分析 | 第55-57页 |
| 5.5 实验结果 | 第57-61页 |
| 5.5.1 实验搭建 | 第57页 |
| 5.5.2 基于数据更新模型的终身学习预测算法优化 | 第57-59页 |
| 5.5.3 基于时间序列数据的流量预测算法实验结果 | 第59-60页 |
| 5.5.4 基于迁移学习的故障预测算法实验结果 | 第60-61页 |
| 5.6 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第70-72页 |
| 致谢 | 第72页 |