| 致谢 | 第1-6页 |
| 中文摘要 | 第6-8页 |
| ABSTRACT | 第8-15页 |
| 1 引言 | 第15-35页 |
| ·论文研究背景及现状 | 第15-20页 |
| ·选题背景及研究意义 | 第15-16页 |
| ·国内外研究现状 | 第16-20页 |
| ·时间序列及其预测模型研究综述 | 第20-28页 |
| ·概念及研究方法 | 第20-21页 |
| ·国内外研究现状 | 第21-28页 |
| ·时间序列数据分析研究方法与流程 | 第28-30页 |
| ·论文主要研究工作 | 第30-33页 |
| ·主要研究内容 | 第30-31页 |
| ·论文主要研究成果 | 第31-33页 |
| ·论文框架结构 | 第33-35页 |
| ·论文章节结构 | 第33-34页 |
| ·论文技术路线 | 第34-35页 |
| 2 轨道不平顺时间序列数据预处理研究 | 第35-69页 |
| ·轨道不平顺数据及分类 | 第35-37页 |
| ·轨道不平顺数据特点 | 第37-40页 |
| ·非等时距性 | 第37-38页 |
| ·周期性 | 第38-39页 |
| ·数据样本规模差异性 | 第39页 |
| ·正负相间性 | 第39页 |
| ·数据里程偏移 | 第39-40页 |
| ·数据分布特征 | 第40-42页 |
| ·数据质量问题 | 第42-60页 |
| ·数据等时距变换 | 第43-44页 |
| ·异常数据识别及处理 | 第44-51页 |
| ·偏移数据校正 | 第51-59页 |
| ·缺失与重复数据的检查、识别与处理 | 第59-60页 |
| ·轨道不平顺时间序列数据表示与提取 | 第60-62页 |
| ·时间序列表示 | 第60页 |
| ·时间序列数据选取 | 第60-62页 |
| ·轨道不平顺时间序列小波分解与重构 | 第62-67页 |
| ·一维小波多尺度分解-重构 | 第62-64页 |
| ·实例研究及结果分析 | 第64-67页 |
| ·本章小结 | 第67-69页 |
| 3 轨道不平顺数据统计分析及数据挖掘研究 | 第69-103页 |
| ·轨道不平顺多元时间序列数据特征 | 第69-82页 |
| ·轨道不平顺多元时间序列数据 | 第69-71页 |
| ·高频序列与低频序列数据 | 第71页 |
| ·区段数据变化模式 | 第71-77页 |
| ·数据分布特征 | 第77-82页 |
| ·轨道不平顺标准差时间序列研究 | 第82-85页 |
| ·数据挖掘概念及算法 | 第85-95页 |
| ·数据挖掘概念与研究方法 | 第85-87页 |
| ·主要的数据挖掘方法与算法 | 第87-89页 |
| ·数据挖掘相似性度量 | 第89-94页 |
| ·时态数据及时态数据挖掘 | 第94页 |
| ·聚类分析 | 第94-95页 |
| ·轨道不平顺数据挖掘 | 第95-102页 |
| ·基于原始数据聚类 | 第96页 |
| ·基于标准差数据聚类 | 第96-98页 |
| ·基于标准差小波分解近似序列数据聚类 | 第98-99页 |
| ·基于标准差近似序列趋势特征聚类 | 第99-101页 |
| ·聚类结果比较 | 第101页 |
| ·聚类模式挖掘 | 第101-102页 |
| ·本章小结 | 第102-103页 |
| 4 基于统计分析理论的时间序列预测模型 | 第103-133页 |
| ·时间序列经验预测方法 | 第103-107页 |
| ·移动平均法 | 第103-104页 |
| ·指数平滑法 | 第104-105页 |
| ·差分指数平滑法 | 第105页 |
| ·自适应滤波法 | 第105-106页 |
| ·趋势外推预测方法 | 第106-107页 |
| ·时间序列线性预测模型 | 第107-114页 |
| ·平稳时间序列与非平稳时间序列 | 第107-108页 |
| ·自回归模型 | 第108-110页 |
| ·滑动平均模型 | 第110-111页 |
| ·自回归滑动平均模型 | 第111-113页 |
| ·差分自回归滑动平均模型 | 第113-114页 |
| ·时间序列灰色预测模型 | 第114-120页 |
| ·灰色系统理论 | 第114-115页 |
| ·灰色模型 | 第115-117页 |
| ·GM(1,1)模型改进方法 | 第117-120页 |
| ·基于非等时距短期历史趋势的时间序列分段线性递推模型 | 第120-130页 |
| ·建模思想 | 第120-122页 |
| ·PLRMSHT模型分析 | 第122-123页 |
| ·PLRMSHT模型残差修正 | 第123页 |
| ·PLRMSHT实例分析 | 第123-130页 |
| ·本章小结 | 第130-133页 |
| 5 基于小波分解-重构的时间序列预测模型 | 第133-179页 |
| ·建模思想 | 第133页 |
| ·基于小波分解-重构的分段线性-ARMA递推模型 | 第133-149页 |
| ·传统ARIMA模型轨道不平顺预测 | 第133-134页 |
| ·改进模型 | 第134-149页 |
| ·基于小波分解-重构的分段灰色-ARMA递推模型 | 第149-162页 |
| ·传统GM(1,1)模型轨道不平顺预测 | 第149页 |
| ·改进模型 | 第149-162页 |
| ·基于小波分解-重构的分段神经网络-ARMA递推模型 | 第162-175页 |
| ·人工神经网络原理 | 第162-168页 |
| ·BP神经网络轨道不平顺状态预测 | 第168-169页 |
| ·改进模型 | 第169-175页 |
| ·模型比较 | 第175-178页 |
| ·本章小结 | 第178-179页 |
| 6 结论与展望 | 第179-183页 |
| ·全文总结 | 第179-180页 |
| ·主要创新点 | 第180-181页 |
| ·今后工作展望 | 第181-183页 |
| 参考文献 | 第183-199页 |
| 作者简历及在读期间论文发表情况 | 第199-205页 |
| 学位论文数据集 | 第205页 |