| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 研究现状 | 第7-8页 |
| 1.3 主要研究内容 | 第8-9页 |
| 1.4 文章结构介绍 | 第9-11页 |
| 第二章 方法介绍 | 第11-19页 |
| 2.1 ARIMA模型 | 第11-12页 |
| 2.2 BP神经网络模型 | 第12页 |
| 2.3 Adaboost算法 | 第12-14页 |
| 2.4 集合经验模态分解（EEMD） | 第14-15页 |
| 2.5 BP-Adaboost | 第15-16页 |
| 2.6 EEMD-BP-Adaboost组合模型 | 第16-17页 |
| 2.7 ARIMA-BP-Adaboost组合模型 | 第17-19页 |
| 第三章 实证结果分析 | 第19-30页 |
| 3.1 数据获取 | 第19页 |
| 3.2 模型评价标准 | 第19-20页 |
| 3.3 BP神经网络预测 | 第20-21页 |
| 3.4 BP-Adaboost预测 | 第21-22页 |
| 3.5 EEMD-BP-Adaboost预测 | 第22-24页 |
| 3.6 ARIMA-BP-Adaboost组合模型预测 | 第24-30页 |
| 3.6.1 ARIMA线性预测结果 | 第24-26页 |
| 3.6.2 BP-Adaboost非线性预测结果 | 第26-27页 |
| 3.6.3 ARIMA-BP-Adaboost组合预测结果 | 第27-28页 |
| 3.6.4 模型对比 | 第28-30页 |
| 第四章 结论 | 第30-33页 |
| 4.1 主要结论 | 第30-31页 |
| 4.2 研究展望 | 第31-33页 |
| 参考文献 | 第33-35页 |
| 致谢 | 第35页 |
