| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 主要研究内容及其创新点 | 第10-11页 |
| 1.4 论文的结构 | 第11-14页 |
| 第二章 时间序列基本概念及常用时间序列模型研究 | 第14-28页 |
| 2.1 时间序列基本概念 | 第14-16页 |
| 2.1.1 时间序列定义 | 第14-15页 |
| 2.1.2 时间序列分析方法 | 第15-16页 |
| 2.2 时间序列常用预测模型 | 第16-27页 |
| 2.2.1 移动平均法 | 第17-18页 |
| 2.2.2 指数平滑法 | 第18-20页 |
| 2.2.3 差分自回归移动平均(ARIMA) | 第20-23页 |
| 2.2.4 支持向量机 | 第23-25页 |
| 2.2.5 高斯过程回归 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 时间序列数据采集方法分析 | 第28-42页 |
| 3.1 时间序列与数据采集 | 第28-30页 |
| 3.2 基于稀疏采样的电力系统管道漏磁检测异常数据高效采集方法 | 第30-36页 |
| 3.2.1 基于稀疏采样的漏磁检测异常数据采集方法 | 第30-34页 |
| 3.2.2 实验结果与分析 | 第34-36页 |
| 3.3 基于Spark的校园局域网社交网络访问量的采集系统 | 第36-41页 |
| 3.3.1 采集系统搭建 | 第37-39页 |
| 3.3.2 实验结果与分析 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 时间序列分析与预测 | 第42-62页 |
| 4.1 多时间粒度特征构建的高斯过程回归行程时间预测 | 第42-51页 |
| 4.1.1 问题描述 | 第42-43页 |
| 4.1.2 高斯过程回归原理简介 | 第43页 |
| 4.1.3 模型提出 | 第43-45页 |
| 4.1.4 实验仿真 | 第45-49页 |
| 4.1.5 结果及分析 | 第49-51页 |
| 4.2 社交网络用户在线访问量时间分析与预测 | 第51-59页 |
| 4.2.1 问题描述 | 第51-52页 |
| 4.2.2 离散小波变换(DWT) | 第52-53页 |
| 4.2.3 加权近邻模型 | 第53-54页 |
| 4.2.4 基于DWT的模型组合预测模型 | 第54-56页 |
| 4.2.5 实验仿真 | 第56-59页 |
| 4.2.6 结果及分析 | 第59页 |
| 4.3 本章小结 | 第59-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 本文工作总结 | 第62-63页 |
| 5.2 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士期间发表的论文及取得的研究成果 | 第68-70页 |
| 致谢 | 第70-71页 |
