| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 大数据背景下的时序数据 | 第11页 |
| 1.2 时序数据分析的发展 | 第11-13页 |
| 1.2.1 时序数据挖掘之模式发现、识别的发展状况 | 第12页 |
| 1.2.2 时序数据挖掘之分类的发展状况 | 第12-13页 |
| 1.2.3 时序数据挖掘之回归预测的发展状况 | 第13页 |
| 1.3 时序数据挖掘的研究内容和挑战 | 第13-14页 |
| 1.4 文章结构 | 第14-15页 |
| 第2章 时序数据分析预备知识 | 第15-21页 |
| 2.1 常见的预处理方式 | 第15-18页 |
| 2.1.1 数据的无量纲化 | 第15-16页 |
| 2.1.2 数据的编码 | 第16-18页 |
| 2.2 序贯更新原理 | 第18页 |
| 2.3 变点理论 | 第18-21页 |
| 2.3.1 基于Boll带原理的变点监测算法 | 第19-20页 |
| 2.3.2 基于变方差的变点选择算法 | 第20-21页 |
| 第3章 时序数据的预测 | 第21-38页 |
| 3.1 时序数据的预测模型 | 第21-31页 |
| 3.1.1 自回归模型 | 第21-25页 |
| 3.1.2 基于统计的回归模型 | 第25-29页 |
| 3.1.3 基于神经网络的时序预测模型 | 第29-31页 |
| 3.2 提高模型稳定性以及泛化能力相关策略 | 第31-33页 |
| 3.3 预测模型的评价指标 | 第33-34页 |
| 3.4 预测问题的应用与实验 | 第34-38页 |
| 3.4.1 不同自回归算法对CPI指数的预测 | 第34-35页 |
| 3.4.2 结合大数据指标进行基于统计的回归实验 | 第35-36页 |
| 3.4.3 基于LSTM的预测实验 | 第36-38页 |
| 第4章 时序数据的有序分类 | 第38-49页 |
| 4.1 有序分类算法实施过程 | 第38-41页 |
| 4.2 有序类标签编码的性质 | 第41-43页 |
| 4.3 有序分类的度量指标 | 第43-44页 |
| 4.4 有序分类的相关实验 | 第44-49页 |
| 4.4.1 实验设计 | 第44-45页 |
| 4.4.2 实验结果对比 | 第45-48页 |
| 4.4.3 应用案例 | 第48-49页 |
| 第5章 时序数据的其他应用 | 第49-54页 |
| 5.1 个股股吧中热点话题的探索 | 第49-51页 |
| 5.2 基于POI数据和DPI数据的潜在商圈挖掘 | 第51-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 在读期间发表的学术论文与取得的研究成果 | 第60页 |