| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究目的与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 课题研究的主要内容及章节安排 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13页 |
| 1.3.2 章节安排 | 第13-15页 |
| 第2章 基于改进模式序列相似性的电力价格预测 | 第15-25页 |
| 2.1 引言 | 第15-16页 |
| 2.2 模式序列相似性的预测方法 | 第16-18页 |
| 2.2.1 K-means聚类 | 第16-17页 |
| 2.2.2 相似序列匹配 | 第17页 |
| 2.2.3 结果预测 | 第17-18页 |
| 2.3 改进的模式序列相似性的电力价格预测方法 | 第18-21页 |
| 2.3.1 局部加权线性回归 | 第18-19页 |
| 2.3.2 相关性度量 | 第19-21页 |
| 2.4 实验结果与分析 | 第21-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于梯度提升树的电力价格预测 | 第25-46页 |
| 3.1 引言 | 第25-26页 |
| 3.2 决策回归树 | 第26-29页 |
| 3.2.1 决策树生成 | 第26-27页 |
| 3.2.2 剪枝处理 | 第27-29页 |
| 3.3 提升方法 | 第29-32页 |
| 3.4 基于电力价格的训练集构造 | 第32-37页 |
| 3.4.1 时间信息抽取 | 第32-33页 |
| 3.4.2 负载信息抽取 | 第33-34页 |
| 3.4.3 电力价格数据抽取 | 第34页 |
| 3.4.4 特征拼接及归一化 | 第34-37页 |
| 3.5 实验结果与分析 | 第37-45页 |
| 3.5.1 数据描述 | 第37页 |
| 3.5.2 基于梯度提升树的电力价格预测方法的实验结果及分析 | 第37-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 基于多源数据融合与LSTM的电力价格预测 | 第46-66页 |
| 4.1 引言 | 第46-47页 |
| 4.2 LSTM | 第47-56页 |
| 4.2.1 深度前馈神经网络 | 第47-50页 |
| 4.2.2 循环神经网络 | 第50-52页 |
| 4.2.3 LSTM核心思想 | 第52-56页 |
| 4.3 多源数据融合与LSTM相结合的组合模型 | 第56-59页 |
| 4.3.1 时序信息网络结构 | 第57-58页 |
| 4.3.2 外部特征网络结构 | 第58-59页 |
| 4.4 实验结果分析 | 第59-65页 |
| 4.4.1 数据预处理 | 第59-61页 |
| 4.4.2 实验结果与分析 | 第61-65页 |
| 4.5 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第71-73页 |
| 致谢 | 第73页 |