| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题选题意义 | 第10页 |
| 1.2 论文研究背景 | 第10-13页 |
| 1.2.1 未来网络中的用户行为预测层 | 第10-12页 |
| 1.2.2 用户行为研究现状 | 第12-13页 |
| 1.2.3 用户行为预测的研究状况 | 第13页 |
| 1.3 本文的研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 互联网中用户网络行为研究 | 第16-22页 |
| 2.1 用户网络行为定义 | 第16-19页 |
| 2.1.1 用户网络行为的定义 | 第16-17页 |
| 2.1.2 用户网络行为的分类 | 第17-18页 |
| 2.1.3 用户网络行为特征 | 第18-19页 |
| 2.2 用户网络行为分析方法 | 第19-20页 |
| 2.3 用户流量分析 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 时间序列预测理论 | 第22-36页 |
| 3.1 时间序列 | 第22-23页 |
| 3.1.1 时间序列的构成要素 | 第22页 |
| 3.1.2 时间序列的种类 | 第22-23页 |
| 3.2 混沌时间序列 | 第23-25页 |
| 3.2.1 混沌状态的定义与特征 | 第23-24页 |
| 3.2.2 混沌状态的判定准则 | 第24-25页 |
| 3.3 时间序列的预测技术 | 第25-28页 |
| 3.3.1 预测的基本理论 | 第26页 |
| 3.3.2 几种常见的时间序列预测模型 | 第26-28页 |
| 3.4 神经网络 | 第28-35页 |
| 3.4.1 神经网络的基本模型和分类 | 第28-30页 |
| 3.4.2 神经网络的学习算法 | 第30-32页 |
| 3.4.3 一种神经网络:回声状态网络 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 用户业务行为的熵理论分析和可预测性研究 | 第36-43页 |
| 4.1 熵理论介绍 | 第36-37页 |
| 4.1.1 熵理论的历史 | 第36页 |
| 4.1.2 熵在用户网络行为预测中的应用 | 第36-37页 |
| 4.2 熵的定义和计算 | 第37-39页 |
| 4.2.1 熵的定义 | 第37-38页 |
| 4.2.2 连续随机变量的熵的定义 | 第38-39页 |
| 4.3 用户熵值指标和与可预测性的关系 | 第39-41页 |
| 4.3.1 计算指标 | 第39-40页 |
| 4.3.2 熵与可预测性的关系 | 第40-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第五章 用户业务行为熵值和可预测性的计算及未来应用 | 第43-52页 |
| 5.1 用户业务行为分析 | 第43-45页 |
| 5.2 使用熵计算用户网络行为的可预测性 | 第45-48页 |
| 5.2.1 用户行为熵值计算 | 第45-47页 |
| 5.2.2 用户网络行为可预测性的计算 | 第47-48页 |
| 5.3 使用熵计算用户网络行为可预测性的意义和应用 | 第48-49页 |
| 5.3.1 用户行为可预测性研究结果在个人角度的意义 | 第48页 |
| 5.3.2 用户行为可预测性研究结果在群体角度的意义 | 第48-49页 |
| 5.3.3 使用熵计算用户网络行为可预测性的应用 | 第49页 |
| 5.4 本章小结 | 第49-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57页 |
