| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 自回归滑动平均模型 | 第14页 |
| 1.2.2 灰色模型 | 第14-15页 |
| 1.2.3 神经网络模型 | 第15-17页 |
| 1.2.4 机器学习模型 | 第17-18页 |
| 1.2.5 其他模型 | 第18页 |
| 1.2.6 组合模型 | 第18-19页 |
| 1.3 预测方法总结 | 第19-21页 |
| 1.4 研究内容及章节安排 | 第21-23页 |
| 第二章 降雨量时间序列的可预测分析 | 第23-40页 |
| 2.1 相空间重构 | 第24-35页 |
| 2.1.1 延迟时间 | 第24-26页 |
| 2.1.2 嵌入维数 | 第26-27页 |
| 2.1.3 降雨量时间序列的延迟时间和嵌入维数确定 | 第27-35页 |
| 2.2 降雨量时间序列混沌分析 | 第35-39页 |
| 2.2.1 功率谱 | 第35-37页 |
| 2.2.2 最大Lyapunov指数 | 第37-39页 |
| 2.3 本章小结 | 第39-40页 |
| 第三章 常用降雨量预测模型研究 | 第40-66页 |
| 3.1 整合自回归移动平均模型 | 第40-51页 |
| 3.1.1 模型原理 | 第40-41页 |
| 3.1.2 建模步骤 | 第41-42页 |
| 3.1.3 模型预测结果 | 第42-51页 |
| 3.2 反向传播神经网络模型 | 第51-56页 |
| 3.2.1 模型原理 | 第51-52页 |
| 3.2.2 建模步骤 | 第52-53页 |
| 3.2.3 模型预测结果 | 第53-56页 |
| 3.3 最小二乘支持向量机模型 | 第56-64页 |
| 3.3.1 LSSVM模型原理 | 第56-58页 |
| 3.3.2 MAPSO模型原理 | 第58-60页 |
| 3.3.3 建模步骤 | 第60-61页 |
| 3.3.4 模型预测结果 | 第61-64页 |
| 3.4 本章小结 | 第64-66页 |
| 第四章 月降雨量融合预测模型的研究 | 第66-94页 |
| 4.1 月降雨量时序变化规律分析 | 第67-68页 |
| 4.1.1 时间序列的基本特征 | 第67页 |
| 4.1.2 月降雨量时序变化规律 | 第67-68页 |
| 4.2 数据驱动下基于模型融合的月降雨量预测 | 第68-70页 |
| 4.2.1 模型原理 | 第68-69页 |
| 4.2.2 子预测模型选择 | 第69-70页 |
| 4.3 基于自适应神经模糊系统的月尺度下月降雨量预测 | 第70-79页 |
| 4.3.1 模型原理 | 第70-72页 |
| 4.3.2 建模步骤 | 第72页 |
| 4.3.3 模型预测结果 | 第72-79页 |
| 4.4 基于灰色理论的年尺度下月降雨量预测 | 第79-86页 |
| 4.4.1 模型原理 | 第79-80页 |
| 4.4.2 建模步骤 | 第80页 |
| 4.4.3 模型预测结果 | 第80-86页 |
| 4.5 基于灰色关联的数据融合 | 第86-90页 |
| 4.5.1 模型原理 | 第86-87页 |
| 4.5.2 建模步骤 | 第87页 |
| 4.5.3 模型预测结果 | 第87-90页 |
| 4.6 模型预测比较 | 第90-93页 |
| 4.6.1 预测结果评价指标 | 第90页 |
| 4.6.2 预测结果分析 | 第90-93页 |
| 4.7 本章小结 | 第93-94页 |
| 第五章 总结与展望 | 第94-97页 |
| 5.1 结论 | 第94-95页 |
| 5.2 主要创新点 | 第95-96页 |
| 5.3 展望 | 第96-97页 |
| 致谢 | 第97-98页 |
| 参考文献 | 第98-105页 |
| 附录 | 第105页 |
| A.攻读硕士学位期间发表的论文及参与的科研项目 | 第105页 |