| 中文摘要 | 第3-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 时间序列预测 | 第13页 |
| 1.2 时间序列预测多步向前预测策略 | 第13-15页 |
| 1.3 时间序列预测性能的统计度量 | 第15页 |
| 1.4 现有应用于时间序列预测的模型 | 第15-18页 |
| 1.4.1 确定性预测模型 | 第16-17页 |
| 1.4.2 不确定性预测模型 | 第17-18页 |
| 1.5 本文的研究问题 | 第18-20页 |
| 1.6 本文的主要研究内容 | 第20-24页 |
| 1.7 本文的结构 | 第24-27页 |
| 第二章 理论基础 | 第27-43页 |
| 2.1 统计学习理论与模型 | 第27-30页 |
| 2.1.1 经验风险和期望风险 | 第28-29页 |
| 2.1.2 统计学习问题的正则化模型 | 第29-30页 |
| 2.2 核函数的性质 | 第30-33页 |
| 2.2.1 平稳核 | 第30-32页 |
| 2.2.2 非平稳核 | 第32-33页 |
| 2.3 Fenchel对偶 | 第33-36页 |
| 2.4 分离超平面 | 第36-37页 |
| 2.5 贝叶斯推理 | 第37-38页 |
| 2.6 参数优化算法 | 第38-43页 |
| 第三章 基于降噪的单核方法的多步预测模型 | 第43-77页 |
| 3.1 引言 | 第43-44页 |
| 3.2 经验小波分解及其相关知识 | 第44-51页 |
| 3.2.1 连续小波转换 | 第45-46页 |
| 3.2.2 连续小波转换的离散化 | 第46-48页 |
| 3.2.3 经验小波转换 | 第48-51页 |
| 3.3 正则化的预测模型介绍 | 第51-60页 |
| 3.3.1 核岭回归模型 | 第51-54页 |
| 3.3.2 高斯过程回归模型 | 第54-57页 |
| 3.3.3 核岭回归模型与高斯过程回归模型的简要对比分析 | 第57-60页 |
| 3.4 提高模型预测能力的策略 | 第60-64页 |
| 3.4.1 距离学习 | 第60-61页 |
| 3.4.2 模型的参数(或超参数)的确定 | 第61-64页 |
| 3.5 实例应用模拟分析——所提复合模型在风速预测中的应用 | 第64-75页 |
| 3.5.1 复合模型的预测过程及其结果 | 第64-69页 |
| 3.5.2 组合模型的预测过程及其结果 | 第69-74页 |
| 3.5.3 核函数的选取对预测影响的对比分析 | 第74-75页 |
| 3.6 本章总结 | 第75-77页 |
| 第四章 基于多核学习的确定预测值模型 | 第77-111页 |
| 4.1 引言 | 第77-79页 |
| 4.2 支持向量回归模型 | 第79-89页 |
| 4.2.1 支持向量回归简介 | 第79-83页 |
| 4.2.2 双光滑技术的优化算法 | 第83-88页 |
| 4.2.3 一个基于支持向量回归的复合预测模型 | 第88-89页 |
| 4.3 希尔伯特空间分解及现有模型 | 第89-93页 |
| 4.3.1 希尔伯特空间分解 | 第90-92页 |
| 4.3.2 L_1范数多核学习模型 | 第92页 |
| 4.3.3 L_p范数多核学习模型 | 第92-93页 |
| 4.4 单一预测任务的混合范数多核学习模型 | 第93-97页 |
| 4.5 多预测任务的混合范数的多核学习模型 | 第97-104页 |
| 4.5.1 模型建立及其推理 | 第98-101页 |
| 4.5.2 对所提模型的简要讨论 | 第101-102页 |
| 4.5.3 时间序列的距离度量 | 第102-104页 |
| 4.6 所提模型参数优化 | 第104-105页 |
| 4.7 实例应用模拟分析 | 第105-109页 |
| 4.7.1 单一输出的迭代向前预测 | 第105-107页 |
| 4.7.2 多输出的多步向前直接预测 | 第107-109页 |
| 4.8 本章总结 | 第109-111页 |
| 第五章 基于广义双曲分布的核学习模型 | 第111-135页 |
| 5.1 引言 | 第111-113页 |
| 5.2 矩阵变量的广义双曲分布 | 第113-118页 |
| 5.2.1 矩阵变量的广义逆高斯分布 | 第113-114页 |
| 5.2.2 矩阵变量的广义双曲斯分布推理 | 第114-118页 |
| 5.3 多元变量线性模型的贝叶斯理解 | 第118-120页 |
| 5.4 基于广义双曲分布的核学习模型 | 第120-124页 |
| 5.4.1 单一输出预测的广义双曲分布核学习模型 | 第121-123页 |
| 5.4.2 多输出预测的广义双曲分布核学习模型 | 第123-124页 |
| 5.5 所提模型的超参数求解 | 第124-128页 |
| 5.5.1 时间序列的距离度量 | 第126-128页 |
| 5.6 实际应用模拟分析 | 第128-132页 |
| 5.6.1 单一输出的迭代向前预测 | 第128-130页 |
| 5.6.2 多输出的多步向前同步预测 | 第130-132页 |
| 5.7 本章总结 | 第132-135页 |
| 第六章 结论与展望 | 第135-139页 |
| 参考文献 | 第139-149页 |
| 在学期间的研究成果 | 第149-151页 |
| 致谢 | 第151-153页 |
| 附录A 相关的概念以及定理 | 第153-163页 |