| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的研究内容 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-13页 |
| 第二章 理论基础与相关工作 | 第13-19页 |
| 2.1 时间序列 | 第13-14页 |
| 2.1.1 时间序列的含义 | 第13页 |
| 2.1.2 时间序列的分类 | 第13-14页 |
| 2.1.3 时间序列的特性 | 第14页 |
| 2.2 时间序列预测 | 第14-19页 |
| 2.2.1 时间序列预测过程 | 第14-15页 |
| 2.2.2 时间序列预测方法 | 第15-18页 |
| 2.2.3 评价指标 | 第18-19页 |
| 第三章 RBM-BSASA-BP模型在时间序列预测中的应用 | 第19-36页 |
| 3.1 RBM-BSASA-BP模型 | 第20-26页 |
| 3.1.1 RBM模型 | 第20-21页 |
| 3.1.2 BP神经网络模型 | 第21-22页 |
| 3.1.3 BSASA算法 | 第22-23页 |
| 3.1.4 RBM-BSASA-BP模型 | 第23-25页 |
| 3.1.5 时间复杂度分析 | 第25-26页 |
| 3.2 数据描述 | 第26页 |
| 3.3 实验与结果分析 | 第26-34页 |
| 3.3.1 参数设置 | 第27-28页 |
| 3.3.2 CATS标准集预测实验 | 第28-30页 |
| 3.3.3 股票预测实验 | 第30-31页 |
| 3.3.4 风速预测实验 | 第31-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 EWT-DBN模型在时间序列预测中的应用 | 第36-50页 |
| 4.1 EWT-DBN模型 | 第37-40页 |
| 4.1.1 EWT算法 | 第37-38页 |
| 4.1.2 DBN模型 | 第38页 |
| 4.1.3 EWT-DBN模型 | 第38-40页 |
| 4.1.4 时间复杂度分析 | 第40页 |
| 4.2 数据描述 | 第40-42页 |
| 4.3 实验及结果分析 | 第42-49页 |
| 4.3.1 参数设置 | 第42-43页 |
| 4.3.2 交通流量预测实验 | 第43-45页 |
| 4.3.3 电力负荷预测实验 | 第45-47页 |
| 4.3.4 网络流量预测实验 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 总结及展望 | 第50-52页 |
| 5.1 本文工作总结 | 第50页 |
| 5.2 未来研究展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 在学期间的研究成果 | 第55-56页 |
| 致谢 | 第56页 |