| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 引言 | 第13-22页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14页 |
| 1.2 国内外研究概况 | 第14-19页 |
| 1.2.1 畜产品消费影响因素的研究概况 | 第15页 |
| 1.2.2 畜产品户外消费的研究概况 | 第15-16页 |
| 1.2.3 畜产品消费展望的研究概况 | 第16页 |
| 1.2.4 预测方法研究概况 | 第16-19页 |
| 1.3 论文的研究思路与技术路线图 | 第19-20页 |
| 1.3.1 论文研究思路 | 第19页 |
| 1.3.2 技术路线图 | 第19-20页 |
| 1.4 论文的主要结论和创新点 | 第20-22页 |
| 1.4.1 主要结论 | 第20页 |
| 1.4.2 创新点 | 第20-22页 |
| 第二章 我国畜产品消费概况 | 第22-29页 |
| 2.1 我国畜产品消费特征 | 第22-27页 |
| 2.2 我国畜产品消费影响因素分析 | 第27-29页 |
| 第三章 我国畜产品消费量预测的理论基础 | 第29-42页 |
| 3.1 组合预测理论 | 第29-31页 |
| 3.1.1 组合预测简介 | 第29-31页 |
| 3.1.1.1 非最优组合预测方法 | 第29-30页 |
| 3.1.1.2 最优组合预测方法 | 第30-31页 |
| 3.2 ARMA模型 | 第31-32页 |
| 3.2.1 ARMA模型简介 | 第31页 |
| 3.2.2 ARMA模型定阶依据 | 第31-32页 |
| 3.2.3 ARMA模型建模过程 | 第32页 |
| 3.3 神经网络模型 | 第32-35页 |
| 3.3.1 神经网络模型简介 | 第32-34页 |
| 3.3.2 神经网络过拟合与欠拟合 | 第34-35页 |
| 3.3.3 BP神经网络设计 | 第35页 |
| 3.4 支持向量机 | 第35-38页 |
| 3.4.1 支持向量机简介 | 第35-37页 |
| 3.4.2 影响支持向量机性能的因素 | 第37-38页 |
| 3.5 遗传算法 | 第38-40页 |
| 3.5.1 遗传算法概述 | 第38-39页 |
| 3.5.2 遗传算法早熟问题及解决方案 | 第39-40页 |
| 3.6 小结 | 第40-42页 |
| 第四章 我国畜产品消费需求预测实证分析 | 第42-54页 |
| 4.1 实证分析说明 | 第42-44页 |
| 4.1.1 数据来源 | 第42页 |
| 4.1.2 研究思路概述 | 第42-43页 |
| 4.1.3 模型评价指标 | 第43页 |
| 4.1.4 模型解释变量选取说明 | 第43-44页 |
| 4.2 畜产品消费量组合预测——以猪肉为例 | 第44-52页 |
| 4.2.1 ARMA模型建模分析预测 | 第44-47页 |
| 4.2.2 遗传神经网络建模分析预测 | 第47-49页 |
| 4.2.3 支持向量机建模分析预测 | 第49-51页 |
| 4.2.4 组合预测与结果分析 | 第51-52页 |
| 4.3 其他畜产品预测结果分析 | 第52-54页 |
| 第五章 总结 | 第54-57页 |
| 5.1 结论 | 第54-55页 |
| 5.1.1 各模型研究总结 | 第54页 |
| 5.1.2 基于组合预测的模型库在农业监测预警领域有着良好的前景 | 第54-55页 |
| 5.2 政策建议 | 第55-56页 |
| 5.2.1 加强农业数据统计工作，构建官方农业数据库 | 第55页 |
| 5.2.2 编制农业预警指标，完善信息发布机制 | 第55页 |
| 5.2.3 转变农业调控手段，丰富农业风险管理渠道 | 第55-56页 |
| 5.3 研究展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-64页 |
| 作者简历 | 第64页 |
