| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 研究内容与框架 | 第9-10页 |
| 1.4 本文组织结构 | 第10-12页 |
| 2 数据获取及预处理 | 第12-25页 |
| 2.1 网络爬虫 | 第12-18页 |
| 2.1.1 网络爬虫概述 | 第12-13页 |
| 2.1.2 网页抓取策略 | 第13-14页 |
| 2.1.3 网络爬虫系统架构 | 第14-15页 |
| 2.1.4 常用分布式网络爬虫框架 | 第15-18页 |
| 2.2 Pandas | 第18页 |
| 2.3 数据预处理 | 第18-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 时间序列分析方法的研究 | 第25-39页 |
| 3.1 序列的平稳性 | 第25-27页 |
| 3.1.1 特征统计量 | 第25页 |
| 3.1.2 严平稳和宽平稳 | 第25-26页 |
| 3.1.3 平稳时间序列的统计性质 | 第26-27页 |
| 3.1.4 纯随机序列 | 第27页 |
| 3.2 延迟算子 | 第27-28页 |
| 3.2.1 延迟算子的定义 | 第27-28页 |
| 3.2.2 延迟算子的性质 | 第28页 |
| 3.2.3 用延迟算子表示差分运算 | 第28页 |
| 3.3 ARMA模型结构 | 第28页 |
| 3.4 ARIMA模型结构 | 第28-29页 |
| 3.5 应用ARIMA模型对数据集进行预测分析 | 第29-34页 |
| 3.6 Prophet介绍 | 第34-38页 |
| 3.6.1 Prophet与传统时间序列分析方法 | 第34-35页 |
| 3.6.2 应用prophet对数据集进行预测分析 | 第35-38页 |
| 3.7 本章小结 | 第38-39页 |
| 4 机器学习方法的研究与改进方法的提出 | 第39-62页 |
| 4.1 支持向量机 | 第39-42页 |
| 4.2 支持向量回归 | 第42-44页 |
| 4.3 决策树 | 第44-47页 |
| 4.3.1 基本决策树分类方法 | 第46-47页 |
| 4.3.2 CART分类方法 | 第47页 |
| 4.4 提升方法 | 第47-53页 |
| 4.4.1 提升方法简介 | 第47-49页 |
| 4.4.2 提升树模型 | 第49页 |
| 4.4.3 回归问题的提升树 | 第49-51页 |
| 4.4.4 梯度提升 | 第51-53页 |
| 4.4.5 XGBoost | 第53页 |
| 4.5 算法执行效率对比 | 第53-54页 |
| 4.6 改进方法的提出 | 第54-60页 |
| 4.6.1 改进方法的模型结构 | 第54-55页 |
| 4.6.2 模型实现及算法对比 | 第55-60页 |
| 4.7 本章小结 | 第60-62页 |
| 5 系统设计与实现 | 第62-76页 |
| 5.1 需求分析 | 第62-64页 |
| 5.1.1 功能性需求 | 第62-63页 |
| 5.1.2 非功能性需求 | 第63-64页 |
| 5.1.3 总体需求 | 第64页 |
| 5.2 系统设计与实现 | 第64-75页 |
| 5.2.1 数据平台的设计与实现 | 第64-71页 |
| 5.2.2 主要功能模块的设计与实现 | 第71-75页 |
| 5.3 本章小结 | 第75-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-81页 |
| 攻读硕士学位期间发表学术论文情况 | 第81-82页 |
| 致谢 | 第82-84页 |