基于时间序列改进算法的分类器设计及销量预测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究的背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 主要研究内容及创新 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 时间序列数据挖掘 | 第18-32页 |
| 2.1 时间序列基本概念 | 第18-19页 |
| 2.2 时间序列模式表示方法 | 第19-21页 |
| 2.2.1 频域表示法 | 第19-20页 |
| 2.2.2 模型表示法 | 第20页 |
| 2.2.3 分段表示法 | 第20-21页 |
| 2.3 时间序列相似性度量方法 | 第21-28页 |
| 2.3.1 时间序列距离度量 | 第21-25页 |
| 2.3.2 动态时间弯曲变体 | 第25-28页 |
| 2.4 时间序列预测分析方法 | 第28-31页 |
| 2.4.1 ARMA模型 | 第28-30页 |
| 2.4.2 预测方法评估指标 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于分段动态时间弯曲的相似性度量方法 | 第32-48页 |
| 3.1 问题描述 | 第32-33页 |
| 3.2 时序模式表示 | 第33-35页 |
| 3.3 基于路径修正的动态时间弯曲 | 第35-39页 |
| 3.3.1 惩罚函数 | 第35-37页 |
| 3.3.2 计算步骤 | 第37-38页 |
| 3.3.3 算法实现 | 第38-39页 |
| 3.4 实验研究与分析 | 第39-47页 |
| 3.4.1 分段特征提取实验 | 第39-43页 |
| 3.4.2 UDTW度量效果对比实验 | 第43-46页 |
| 3.4.3 计算时间开销 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于选择性集成ARMA的零售销量预测分析 | 第48-58页 |
| 4.1 问题描述 | 第48-50页 |
| 4.2 非线性误差补偿模型 | 第50-51页 |
| 4.2.1 支持向量回归(SVR) | 第50页 |
| 4.2.2 极限学习机(ELM) | 第50-51页 |
| 4.3 选择性集成ARMA组合模型 | 第51-53页 |
| 4.3.1 选择性集成ARMA模型 | 第51-53页 |
| 4.3.2 组合预测模型 | 第53页 |
| 4.4 实例预测分析 | 第53-57页 |
| 4.4.1 选择性集成模型预测结果 | 第54-55页 |
| 4.4.2 组合模型预测结果 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 附录A (攻读学位期间所发表的学术论文) | 第65-66页 |
| 致谢 | 第66页 |
