| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-18页 |
| 1.2.1 时间序列数据分类方法 | 第12-15页 |
| 1.2.2 时间序列数据预测方法 | 第15-17页 |
| 1.2.3 存在问题及挑战 | 第17-18页 |
| 1.3 本文主要研究内容及组织结构 | 第18-21页 |
| 1.3.1 主要研究内容 | 第18页 |
| 1.3.2 论文组织结构 | 第18-21页 |
| 2 时间序列数据分类和预测基础知识 | 第21-31页 |
| 2.1 支持向量机 | 第21-23页 |
| 2.2 卷积神经网络 | 第23-25页 |
| 2.3 Adaboost回归算法 | 第25-27页 |
| 2.4 循环神经网络 | 第27-29页 |
| 2.5 本章小结 | 第29-31页 |
| 3 基于代价敏感混合网络的时间序列数据异常检测方法 | 第31-47页 |
| 3.1 代价敏感混合网络模型的构建 | 第31-35页 |
| 3.1.1 卷积神经网络 | 第32-33页 |
| 3.1.2 GRU神经网络 | 第33-34页 |
| 3.1.3 代价敏感损失函数 | 第34-35页 |
| 3.2 基于CSHN模型的时间序列数据异常检测算法 | 第35-39页 |
| 3.2.1 数据预处理 | 第36页 |
| 3.2.2 特征学习 | 第36-38页 |
| 3.2.3 异常检测 | 第38-39页 |
| 3.3 实验结果与分析 | 第39-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 基于堆叠的LSTM神经网络的多步提前时间序列预测方法 | 第47-63页 |
| 4.1 MO-LSTMs网络模型的构建 | 第47-50页 |
| 4.1.1 长短时记忆神经网络 | 第48-49页 |
| 4.1.2 Dropout算法 | 第49-50页 |
| 4.2 基于MO-LSTMs模型的时间序列数据多步提前预测算法 | 第50-53页 |
| 4.2.1 数据预处理 | 第51页 |
| 4.2.2 提出的MO-LSTMs的训练过程 | 第51-52页 |
| 4.2.3 多输出迭代预测策略 | 第52-53页 |
| 4.3 实验结果和分析 | 第53-60页 |
| 4.3.1 评价指标 | 第54页 |
| 4.3.2 实验结果 | 第54-60页 |
| 4.4 本章小结 | 第60-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63页 |
| 5.2 展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间的主要研究成果 | 第73页 |
