| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 资料与方法 | 第11-12页 |
| 1.4 结果 | 第12-13页 |
| 第2章 ARIMA模型 | 第13-29页 |
| 2.1 时间序列的一般模型 | 第13页 |
| 2.2 趋势项、季节项和随机项的分解 | 第13-15页 |
| 2.2.1 趋势项的分解 | 第13-14页 |
| 2.2.2 季节项的分解 | 第14页 |
| 2.2.3 随机项 | 第14-15页 |
| 2.3 ARIMA模型 | 第15-16页 |
| 2.3.1 平稳序列的定义和统计特性 | 第15页 |
| 2.3.2 白噪声 | 第15-16页 |
| 2.3.3 ARMA模型 | 第16页 |
| 2.3.4 ARIMA模型 | 第16页 |
| 2.4 应用ARIMA模型预测流感发病率 | 第16-26页 |
| 2.4.1 数据的采集 | 第16-17页 |
| 2.4.2 趋势项的分解 | 第17-18页 |
| 2.4.3 季节项的分解 | 第18-21页 |
| 2.4.4 随机项ARMA模型的模拟 | 第21-26页 |
| 2.5 模型的预测 | 第26-29页 |
| 第3章 无偏灰色模型 | 第29-35页 |
| 3.1 传统GM(1,1)模型 | 第29-31页 |
| 3.2 无偏GM(1,1)模型 | 第31-32页 |
| 3.3 无偏GM(1,1)预测模型的检验 | 第32-33页 |
| 3.4 模型的拟合度检验 | 第33-35页 |
| 第4章 人工神经网络 | 第35-49页 |
| 4.1 人工神经元模型 | 第35-38页 |
| 4.2 前馈神经网络 | 第38页 |
| 4.3 人工神经网络预测的主要模型 | 第38-39页 |
| 4.4 应用BP算法建立全国流感发病率模型及MATLAB实现 | 第39-42页 |
| 4.4.1 数据样本的选择 | 第39页 |
| 4.4.2 数据样本的预处理 | 第39-41页 |
| 4.4.3 构造神经网络 | 第41-42页 |
| 4.4.4 设定训练模式参数 | 第42页 |
| 4.4.5 用归一化之后的数据进行训练 | 第42页 |
| 4.4.6 构造验证数据及预测 | 第42页 |
| 4.5 BP神经网络预测全国流感发病率趋势的实例分析 | 第42-46页 |
| 4.6 改进的BP神经网络 | 第46-48页 |
| 4.6.1 模型的建立 | 第46-48页 |
| 4.6.2 模型的检验 | 第48页 |
| 4.7 应用改进的BP神经网络预测流感发病率 | 第48-49页 |
| 第5章 总结 | 第49-53页 |
| 5.1 三种模型各自的优缺点 | 第49-50页 |
| 5.1.1 ARIMA模型的优缺点 | 第49页 |
| 5.1.2 无偏GM(1,1)模型的优缺点 | 第49页 |
| 5.1.3 BP神经网络的优缺点 | 第49-50页 |
| 5.2 三种模型对流感发病率预测的比较 | 第50-53页 |
| 参考文献 | 第53-55页 |
| 致谢 | 第55页 |