| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 引言 | 第12-20页 |
| 1.1 课题研究背景及意义 | 第12页 |
| 1.2 国内外研究现状及分析 | 第12-17页 |
| 1.2.1 风速预测技术 | 第12-15页 |
| 1.2.2 空间插值方法 | 第15-16页 |
| 1.2.3 多变量时间序列预测方法 | 第16-17页 |
| 1.3 研究内容及结构 | 第17-20页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 组织结构 | 第18-20页 |
| 第二章 相关序列预测方法 | 第20-44页 |
| 2.1 高斯过程回归(GPR)理论 | 第20-31页 |
| 2.1.1 权值空间论定义 | 第20-23页 |
| 2.1.2 函数空间论定义 | 第23-26页 |
| 2.1.3 核函数的定义和类型 | 第26-29页 |
| 2.1.4 组合核函数 | 第29页 |
| 2.1.5 超参数 | 第29-31页 |
| 2.2 长短期记忆网络(LSTM)时间序列预测方法 | 第31-42页 |
| 2.2.1 人工神经网络的向前向后传播 | 第31-35页 |
| 2.2.2 循环神经网络(RNN)前向后向传播 | 第35-37页 |
| 2.2.3 长短期记忆网络(LSTM)前向后向传播 | 第37-39页 |
| 2.2.4 序列到序列方法 | 第39-40页 |
| 2.2.5 优化方法 | 第40-42页 |
| 2.3 本章小结 | 第42-44页 |
| 第三章 基于多尺度核函数的高斯过程回归空间风速插值算法 | 第44-61页 |
| 3.1 物理学上的尺度约束 | 第44-45页 |
| 3.2 核函数对插值的影响 | 第45-50页 |
| 3.2.1 核函数的结构特点 | 第45-48页 |
| 3.2.2 超参数的影响 | 第48-50页 |
| 3.3 基于风速多尺度核函数高斯过程回归的风速插值 | 第50-60页 |
| 3.3.1 基于高斯过程回归风速插值算法的建模方法 | 第51-52页 |
| 3.3.2 风速多尺度插值核函数的构建 | 第52-55页 |
| 3.3.3 实验结果分析 | 第55-60页 |
| 3.4 本章小结 | 第60-61页 |
| 第四章 多变量相关的长短期记忆网络时间序列预测算法 | 第61-72页 |
| 4.1 物理学中的变量约束 | 第61-62页 |
| 4.2 基于高维度张量的长短期记忆网络算法的风速预测方法 | 第62-70页 |
| 4.2.1 基于长短期记忆网络风速预测算法的建模 | 第62-63页 |
| 4.2.2 Seq2Seq模型设计 | 第63-65页 |
| 4.2.3 数据预处理及参数的确定 | 第65-67页 |
| 4.2.4 实验结果分析 | 第67-70页 |
| 4.3 本章小结 | 第70-72页 |
| 第五章 结论与展望 | 第72-74页 |
| 5.1 总结 | 第72-73页 |
| 5.2 未来工作 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 作者在学期间取得的学术成果 | 第80页 |
