| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-11页 |
| 表格索引 | 第11-12页 |
| 插图索引 | 第12-13页 |
| 主要符号、缩略词对照表 | 第13-14页 |
| 第一章 绪论 | 第14-18页 |
| ·研究背景及研究内容 | 第14-17页 |
| ·本文结构 | 第17-18页 |
| 第二章 研究方法 | 第18-42页 |
| ·机器学习理论 | 第18-23页 |
| ·偏差、方差权衡 | 第18-19页 |
| ·VC 维 | 第19-20页 |
| ·结构风险最小化（Structural Risk Minimization，SRM） | 第20-23页 |
| ·支持向量机（Support Vector Machine，SVM） | 第23-25页 |
| ·支持向量回归（Support Vector Regression，SVR） | 第25-31页 |
| ·基本思想 | 第25-29页 |
| ·核心函数（kernel function） | 第29-30页 |
| ·SVR 的训练与测试 | 第30页 |
| ·SVR 求解算法 | 第30-31页 |
| ·SVR 超参数及核心函数参数的选取 | 第31-35页 |
| ·交叉验证法 | 第31-32页 |
| ·使用粒子群优化（PSO）算法确定参数 | 第32-33页 |
| ·其他方法 | 第33-35页 |
| ·SVR 输入向量、输出变量的选择 | 第35-40页 |
| ·基于状态空间重建的方法 | 第36-37页 |
| ·基于特征向量的方法 | 第37页 |
| ·本文所用的方法 | 第37-38页 |
| ·输入向量维度、时延对 SVR 预测误差的影响 | 第38-40页 |
| ·本章小结 | 第40-42页 |
| 第三章 混合多个 SVR 模型的预测算法 | 第42-56页 |
| ·单一 SVR 模型的不足 | 第42-45页 |
| ·算法思想：集成学习（Ensemble Learning） | 第45-48页 |
| ·模型多样性 | 第45-46页 |
| ·Bagging | 第46页 |
| ·Boosting | 第46-48页 |
| ·选择性集成 | 第48页 |
| ·混合多个 SVR 模型的算法 | 第48-54页 |
| ·训练数据子集的选取方法 | 第50-52页 |
| ·子集的训练方法 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 第四章 实验 | 第56-74页 |
| ·数据集 | 第56-57页 |
| ·数据预处理 | 第57页 |
| ·衡量指标 | 第57-58页 |
| ·实验方法 | 第58-59页 |
| ·标准算法配置下的实验结果 | 第59-61页 |
| ·模型的预测误差随时间变化的情况 | 第61-62页 |
| ·输入向量维度、时延对实验结果的影响 | 第62-67页 |
| ·模型的泛化能力 | 第67-73页 |
| ·本章小结 | 第73-74页 |
| 全文总结 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 攻读学位期间发表的学术论文目录 | 第82页 |
