| 中文摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1. 绪论 | 第10-18页 |
| ·课题研究背景及意义 | 第10-11页 |
| ·时间序列预测方法分类 | 第11-12页 |
| ·时间序列预测方法研究进展 | 第12-15页 |
| ·线性预测法 | 第12-13页 |
| ·非线性预测法 | 第13-15页 |
| ·银行现金流时间序列预测方法研究进展 | 第15-16页 |
| ·主要工作和结构安排 | 第16-18页 |
| 2.基于统计学预测方法的银行现金流时间序列预测 | 第18-38页 |
| ·引言 | 第18页 |
| ·移动平均法 | 第18-22页 |
| ·一次移动平均法 | 第18-20页 |
| ·二次移动平均法 | 第20-22页 |
| ·指数平滑法 | 第22-26页 |
| ·一次指数平滑预测法 | 第22-23页 |
| ·二次指数平滑预测法 | 第23-26页 |
| ·ARMA模型 | 第26-29页 |
| ·ARMA模型的基本原理 | 第26-28页 |
| ·ARMA模型的建模步骤 | 第28-29页 |
| ·基于ARMA模型的银行现金流时间序列预测 | 第29-33页 |
| ·数据的平稳化 | 第29-32页 |
| ·建立模型 | 第32-33页 |
| ·仿真结果 | 第33-36页 |
| ·性能分析 | 第36-37页 |
| ·小结 | 第37-38页 |
| 3.基于灰色神经网络的银行现金流时间序列预测 | 第38-53页 |
| ·引言 | 第38页 |
| ·灰色模型预测原理 | 第38-40页 |
| ·灰色系统理论 | 第38-39页 |
| ·灰色GM(1,1)模型的建模 | 第39-40页 |
| ·灰色GM(1,1)模型预测 | 第40页 |
| ·误差反传神经网络（BPNN）预测模型 | 第40-46页 |
| ·BPNN的拓扑结构 | 第41-42页 |
| ·BPNN的学习过程 | 第42-43页 |
| ·BPNN的训练算法 | 第43-46页 |
| ·灰色神经网络组合模型 | 第46-48页 |
| ·灰色神经网络预测模型的建模 | 第47-48页 |
| ·仿真实验 | 第48-52页 |
| ·数据准备 | 第48页 |
| ·优化算法的确定 | 第48-49页 |
| ·仿真对比实验 | 第49-52页 |
| ·性能分析 | 第52页 |
| ·小结 | 第52-53页 |
| 4.基于改进的PSO-ANFIS的银行现金流时间序列预测 | 第53-67页 |
| ·引言 | 第53页 |
| ·自适应神经-模糊推理系统（ANFIS） | 第53-56页 |
| ·ANFIS的结构 | 第53-55页 |
| ·ANFIS算法流程 | 第55-56页 |
| ·PSO算法简介 | 第56-57页 |
| ·标准PSO算法 | 第56-57页 |
| ·标准PSO算法流程 | 第57页 |
| ·改进的PSO-LMS算法优化ANFIS参数模型 | 第57-60页 |
| ·种群多样性度量函数 | 第58页 |
| ·惯性权重自适应调节机制 | 第58-60页 |
| ·APAPSO-LMS算法优化ANFIS参数模型算法流程 | 第60页 |
| ·基于APAPSO-ANFIS算法的银行现金流时间序列预测 | 第60-66页 |
| ·仿真结果 | 第61-65页 |
| ·性能分析 | 第65-66页 |
| ·小结 | 第66-67页 |
| 5.总结 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表学术论文情况 | 第72-73页 |
| 致谢 | 第73-74页 |
| 作者简介 | 第74-75页 |
