| 摘要 | 第3-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.2 国内外研究现状及综述 | 第16-23页 |
| 1.3 主要研究内容与创新点 | 第23-27页 |
| 1.3.1 主要研究内容 | 第23-25页 |
| 1.3.2 创新点 | 第25-27页 |
| 第二章 几种单项时间序列预测模型 | 第27-39页 |
| 2.1 统计预测模型 | 第27-30页 |
| 2.1.1 指数平滑预测模型 | 第27-28页 |
| 2.1.2 Holt's指数平滑预测模型 | 第28页 |
| 2.1.3 ARIMA预测模型 | 第28-29页 |
| 2.1.4 偏最小二乘回归模型 | 第29-30页 |
| 2.2 智能预测方法 | 第30-34页 |
| 2.2.1 最小二乘支持向量回归模型 | 第30-31页 |
| 2.2.2 广义回归神经网络模型 | 第31-32页 |
| 2.2.3 非线性自回归神经网络模型 | 第32-33页 |
| 2.2.4 带外部输入的非线性自回归模型 | 第33-34页 |
| 2.3 区间值时间序列预测方法 | 第34-37页 |
| 2.3.1 区间值Holt's指数平滑预测模型 | 第34-35页 |
| 2.3.2 多输出支持向量回归模型 | 第35-36页 |
| 2.3.3 时空自回归模型 | 第36-37页 |
| 2.4 传统的组合预测模型 | 第37-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第三章 基于改进EEMD的多尺度组合预测模型 | 第39-64页 |
| 3.1 研究背景和动机 | 第39-41页 |
| 3.2 基于改进的EEMD算法的多尺度组合预测模型 | 第41-51页 |
| 3.2.1 模型构建的基本思路 | 第41-43页 |
| 3.2.2 EEMD算法和端点极值法 | 第43-45页 |
| 3.2.3 AQI单项预测模型 | 第45页 |
| 3.2.4 基于改进EEMD的多尺度组合预测模型的构建 | 第45-47页 |
| 3.2.5 基于改进EEMD的L_1范数多尺度组合预测模型的性质研究 | 第47-51页 |
| 3.3 基于改进EEMD的多尺度组合预测模型实例分析 | 第51-62页 |
| 3.3.1 数据来源与描述 | 第51-52页 |
| 3.3.2 预测评价指标 | 第52-53页 |
| 3.3.3 预测有效性指标 | 第53-54页 |
| 3.3.4 实验结果与分析 | 第54-62页 |
| 3.4 本章小结 | 第62-64页 |
| 第四章 基于时间序列分解与演化聚类的多尺度组合预测模型 | 第64-112页 |
| 4.1 基于EEMD和演化聚类的多尺度组合预测模型 | 第64-90页 |
| 4.1.1 研究背景与动机 | 第64-67页 |
| 4.1.2 基于EEMD和演化聚类的多尺度组合预测模型构建的基本思路 | 第67-69页 |
| 4.1.3 综合贡献指数和演化聚类 | 第69-71页 |
| 4.1.4 原油价格时间序列单项预测模型 | 第71-72页 |
| 4.1.5 基于EEMD和演化聚类的多尺度组合预测模型的构建 | 第72-77页 |
| 4.1.6 基于OWA算子集成的EEMD与演化聚类的多尺度组合预测模型的性质 | 第77-79页 |
| 4.1.7 基于EEMD与演化聚类的多尺度组合预测模型实例分析 | 第79-90页 |
| 4.2 基于VMD和演化聚类的多尺度组合预测模型 | 第90-111页 |
| 4.2.1 研究背景与动机 | 第90-92页 |
| 4.2.2 基于VMD和演化聚类的多尺度组合预测模型构建的基本思路 | 第92-94页 |
| 4.2.3 变模式分解(VMD)方法 | 第94-95页 |
| 4.2.4 碳价格时间序列单项预测模型 | 第95-96页 |
| 4.2.5 基于VMD和演化聚类的多尺度组合预测模型的构建 | 第96-97页 |
| 4.2.6 基于VMD和演化聚类的多尺度组合预测模型的求解 | 第97-98页 |
| 4.2.7 基于VMD与演化聚类的多尺度组合预测模型实例分析 | 第98-110页 |
| 4.2.8 VMD与演化聚类方法与其它分解方法和分析方法的比较 | 第110-111页 |
| 4.3 本章小结 | 第111-112页 |
| 第五章 基于区间值时间序列分解的多尺度组合预测模型 | 第112-152页 |
| 5.1 研究背景与动机 | 第112-114页 |
| 5.2 区间值时间序列及其运算法则 | 第114-117页 |
| 5.3 基于EEMD的区间值时间序列多尺度组合预测模型 | 第117-122页 |
| 5.3.1 模型构建的基本思路 | 第117-119页 |
| 5.3.2 单项预测模型 | 第119-120页 |
| 5.3.3 基于EEMD的区间值时间序列多尺度组合预测模型的构建 | 第120-122页 |
| 5.4 基于BEMD的区间值时间序列多尺度组合预测模型 | 第122-132页 |
| 5.4.1 模型构建的基本思路 | 第122-125页 |
| 5.4.2 BEMD方法 | 第125-126页 |
| 5.4.3 单项区间预测模型 | 第126-127页 |
| 5.4.4 基于BEMD的区间值序列多尺度组合预测模型的构建 | 第127-132页 |
| 5.5 基于区间值时间序列分解的多尺度组合预测模型的案例分析 | 第132-150页 |
| 5.5.1 数据来源与描述 | 第132-133页 |
| 5.5.2 预测评价指标 | 第133-134页 |
| 5.5.3 实验结果与分析 | 第134-150页 |
| 5.6 本章小结 | 第150-152页 |
| 第六章 基于多源信息的多尺度组合预测模型 | 第152-174页 |
| 6.1 研究背景和动机 | 第152-154页 |
| 6.2 基于多源信息的多尺度组合预测模型 | 第154-164页 |
| 6.2.1 模型构建的基本思路 | 第154-155页 |
| 6.2.2 模型构建的基本过程 | 第155-164页 |
| 6.3 基于多源信息的多尺度组合预测模型实例分析 | 第164-172页 |
| 6.3.1 数据来源与处理 | 第164-165页 |
| 6.3.2 预测评价指标与检验方法 | 第165页 |
| 6.3.3 基于合作对策多源信息组合预测模型预测结果与分析 | 第165-169页 |
| 6.3.4 基于L_p范数的多源信息组合预测模型预测结果分析 | 第169-172页 |
| 6.4 本章小结 | 第172-174页 |
| 第七章 总结与展望 | 第174-177页 |
| 7.1 全文工作总结 | 第174-176页 |
| 7.2 未来工作展望 | 第176-177页 |
| 参考文献 | 第177-195页 |
| 致谢 | 第195-197页 |
| 攻读博士学位期间的科研工作 | 第197-199页 |
