一、基于小波分析的非平稳时间序列分析与预测（论文文献综述）
李荞每[1]（2021）在《基于小波分析的时间序列分析预测方法研究》文中提出小波变换是对信号的时间、频率进行局部化分析的有效工具,并且可以将信号进行高频和低频分解,从而更好地对信号进行分析和处理.回归分析是研究自变量和因变量关系最广泛的研究方法之一,能够较为准确地反映出数据间的关系,将上述两种数据分析方法结合建立小波分析—回归模型,可以对数据进行时频分析,也可以进一步利用时间序列方法进行预测.随着大数据时代的发展,数据处理受到了越来越多人的关注.时间序列预测方法是处理随时间变化的数据最有效的方法之一.在时间序列预测过程中,小波能够有效地提取重要的信息,且经过伸缩及平移等运算能够对信号或序列进行多尺度的细化分析,进而可聚焦到被分析对象的任意细节之上,因此其更加适宜处理非平稳的时间序列,且可得到更优的预测结果.近年来,越来越多的人开始利用小波分析对时间序列进行分析预测,寻找组合方法和模型,逐步完善理论基础.本文利用上述优点,建立组合模型进行分析和预测.主要研究内容如下:（1）基于小波分析的多分辨分析理论,建立小波分析—回归模型.首先选用合适的小波函数对信号或数据进行分解,然后将分解得到的小波系数进行重构,最终得到信号与自变量之间的回归关系.（2）基于小波分解重构算法,建立小波分析—时间序列模型.首先对信号或数据进行异常值检测,再经小波分解重构算法对数据进行去噪,选用合适的时间序列模型进行分析预测,最后选取适当的检验方法对残差、参数及模型等进行检验,并计算预测结果置信度.（3）利用上述模型进行实例分析.本文以一定PH值条件下WO3的着色、褪色及波长数据为例,利用小波分析—回归模型对WO3纳米块薄膜透过率进行分析,得到其随波长的变化规律,再利用小波分析—时间序列模型及波长的变化规律预测其透过率,经检验,预测结果具有可行性和有效性.此外,全球新冠肺炎疫情形势严峻,本文以东、西方两国单日新增肺炎病例数据为例,分别利用ARIMA模型和小波分析—时间序列模型对两国未来疫情发展趋势进行预测,对比两种预测模型的检验结果表明,小波分析—时间序列模型比ARIMA模型的预测更加精准,置信度更高,结果可行有效.
高斌[2]（2021）在《基于各类EMD-深度神经网络的高频金融数据预测研究》文中认为随着金融市场中的交易数据采集频率逐渐提高,具有非线性、非平稳、高噪声的高频金融数据受到众多学者的关注,高频金融数据的短期预测成为近年来的研究热点。传统的时间序列模型依赖线性回归解释变量间的关系,从而达到对金融序列的预测目的,但不能很好地挖掘高频金融数据的特征。神经网络的无监督学习过程可以更好的应用在具有非线性特征的高频金融数据研究中,随着计算机技术的革新,神经网络的结构不断加深,具有更深层次网络结构的深度神经网络（DNN）被广泛应用。经验模态分解（EMD）常用于对非线性、非平稳的高频数据在时域和频域上进行分析处理,故本文引入了希尔波特-黄变换中的两类经验模态分解的方法并结合深度神经网络模型对高频金融数据进行短期预测。本文第一部分利用DNN模型,对深证成指5分钟数据进行短期预测。为得到更为精准的预测结果,引入经验模态分解和集合经验模态分解（EEMD）的方法构建了EMD-DNN模型及EEMD-DNN模型。通过对样本数据的分解得到不同尺度下的本征模态函数（IMF）,通过波动频率将IMF分组并重构,对重构数据进行训练及预测。结果表明利用集合经验模态分解改进的深度神将网络预测模型对高频金融数据的预测更加精准。本文第二部分基于小波分析中多分辨分析的方法,对高频IMF分量进行消噪,利用消噪后的IMF替换原分量并与低频分量叠加重构得到新的重构样本,再利用DNN进行预测,预测结果表明经由小波消噪后的EEMD-DNN模型比小波消噪后的EMD-DNN模型预测更加精准。实证结果表明小波消噪后的EEMD-DNN模型比未经小波消噪的模型及消噪后的EMD-DNN模型对高频金融数据的预测最为精准。
赵凯[3]（2021）在《隧道工程自动化监测及变形预测研究》文中研究表明随着经济发展和城市化建设进程,高铁和地铁地铁已经成为市域连接及缓解市内交通压力重要的交通方式。此同时,城市化规模建设进程逐步加快,市内新建地铁、隧道、道路、房建等建设工程不断增加,因规划不同步、土地征拆等原因,建设工程与高铁或地铁空间“冲突”日益增多。通常“冲突”通过上跨或下穿等形式穿越高铁（或地铁）隧道。穿越隧道施工过程中需保证隧道内列车安全稳定的运营,因此隧道工程变形监测与变形预测是确保工程顺利推进的重点工作。论文主要以高铁隧道及地铁隧道作为主要研究对象,并分析了穿越已运营高铁隧道和上跨已运营地铁区间隧道集体工程案例,分析了目前常规人工监测不能满足,提出隧道工程全自动化监测方案,通过对自动化监测数据,采用2种不同模型进行变形预测,寻求最优预测模型,本文主要研究内容如下:1、对隧道工程施工、变形监测、数据预处理相关基础知识进行了概述;2、总结了时间序列变形预测模型和BP神经网络模型理论基础及建模流程;3、将自动化监测方法用于地铁3号线下穿京广高铁隧道监测及湘府路上跨地铁1号线具体工程,得出地铁下穿期间高铁隧道累计沉降量不超过2mm,湘府路隧道上跨地铁隧道工程隧道最大隆起量不超过5mm;4、采用时间序列和BP神经网络不同模型对隧道变形预测,根据预测结果与实际监测结果进行对比,得出BP神经网络为最优预测模型。
汤霞[4]（2021）在《集装箱班轮运价市场波动及传导特征研究》文中提出随着全球经贸往来的日益频繁,国际集装箱班轮运输发展速度远远超过其他海上运输方式,正发挥着越来越重要的作用,班轮运输市场波动也备受国内外学者关注。受国际经济形势、政治局势、重大事件、科技发展等多种不确定性因素影响,国际集装箱班轮运价市场波动剧烈,给航运企业、货主货代、金融机构等市场参与者带来极大的经营及投资风险,也不利于国家对外经贸的健康发展。如何从不同维度深入挖掘集装箱班轮运价市场波动及传导动力学特征,为市场参与者提供更全面有效的市场信息辅助决策,是航运经济领域的重点关注问题。因此,本研究在不同形式的集装箱班轮运价市场的复杂波动特征分析的基础上,引入复杂网络理论,分别对时间维度上集装箱班轮即期市场运价指数自相关波动、空间维度上集装箱班轮分航线市场运价关联波动、金融属性维度上集装箱班轮期现货市场价格关联波动的传导动力学特征进行了研究,揭示了集装箱班轮运价市场内在波动传导规律,提出了针对市场参与者经营及投资决策、政府部门航运产业调控措施的相关建议。主要研究工作及创新如下:（1）挖掘了集装箱班轮运价市场不同时间尺度下的波动规律。基于VMD方法构建了集装箱班轮运价市场波动特征分析及走势预测模型,以上海出口集装箱班轮市场为实证研究对象,对其即期、分航线和期货等不同形式的集装箱班轮运价市场的复杂波动特征进行了分析,较好地提炼了其内在时间尺度特征,合理表达了其蕴含的经济意义,为集装箱班轮运价市场波动传导特征研究奠定了基础。研究结果表明,不同形式的集装箱班轮运价序列均呈现非线性、非平稳和多时间尺度特征,不同时间尺度下表现出的长期趋势、周期性、季节性和不规则波动规律略有不同,是典型的复杂性系统。（2）引入符号动力学方法和复杂网络理论,构建了集装箱班轮运价指数序列的自相关波动网络模型,以SCFI为实证研究对象,通过网络的核心模态、传导模式、集群效应、传导媒介能力、传导距离等拓扑结构分析,探讨了其自相关波动传导动力学特征,从微观视角深入理解即期市场整体波动规律和机理。研究发现,SCFI自相关波动具有一定的持续性、周期性和集群效应,波动传导模式有规律可循,以正相关波动为主,存在波动状态转变的前兆模态,可为市场波动风险提供预警信息,预测SCFI的波动方向。（3）借助格兰杰因果关系检验与复杂网络理论,构建了集装箱分航线市场运价波动格兰杰因果网络模型,以SCFI分航线市场为实证研究对象,从系统整体新视角研究了其运价波动传导范围、传导距离、传导媒介能力、集聚能力及传导路径等动力学特征,从空间结构维度加深对集装箱班轮运价市场的认识。研究表明,SCFI不同航线运价波动的影响范围和被影响范围均不同、航线子市场间运价波动传导的速度很快、不同航线媒介能力及集聚能力不同、可划分为4个社团等。市场参与者可据此确定重点监测子市场,把握市场波动传导路径,优化经营决策,强化市场精准调控。（4）通过集装箱班轮期现货市场关联波动状态的定义、符号化和粗粒化处理,构建了集装箱期现货价格关联波动网络模型,以SCFI欧洲、美西航线期现货价格为实证研究对象,通过分析关联波动网络的拓扑结构研究了集装箱期现货价格关联关系的动态波动传导特征,从金融属性维度加强集装箱班轮市场发展特征的理解。研究发现,期现货价格关联波动的主要趋势为同向关联,美西航线同向关联概率大于欧洲航线,关联波动具有周期性、群簇性和小团体特征,存在少数介数高点强度低的关联波动模态是群簇关联波动转换的前兆。市场参与者可据此合理制定航线运价、调整跨市场投资策略等。
蒋宇[5]（2020）在《齿轮箱混沌特性与故障诊断研究》文中进行了进一步梳理传动系统在机械设备中起到中流砥柱的作用,齿轮箱传动系统是机器非常关键的组成部分,揭示齿轮箱系统固有混沌特性并通过其开展齿轮箱健康状态的监测与诊断,对于延长机器的服役时间具有重要意义。吸引子理论作为研究相空间中系统动力学状态的理论越来越得到认识和应用,而混沌吸引子属于吸引子中的一种形态,自然可用来诠释混沌系统的混沌动力学特性和状态。齿轮箱系统是一个混沌系统,其振动信号中蕴涵着大量能够反映系统特征的信息。针对齿轮箱系统混沌特性尤其是探索高维空间中混沌吸引子的特性以及演化规律的研究相对匮乏,且齿轮箱故障特征提取缺乏挖掘混沌特性与故障之间存在的内在关系,有待进一步寻求有效的混沌特征指标实现表征与诊断。为此,本文应用相空间重构理论将一维振动信号推广到高维相空间中去将振动信号单变量时间序列中隐含的系统信息显现出来,探索研究高维空间中齿轮系统混沌吸引子的相轨迹、相点分布、递归特性,揭示齿轮箱系统的混沌特性,进而对齿轮箱系统在不同故障形式下的混沌吸引子特征提取进行表征计算和状态分析。本文深入地开展了齿轮箱混沌特性与故障诊断研究。首先,在齿轮箱故障模拟试验台上开展了振动信号采集实验,采集了不同工况条件下齿轮箱系统的振动信号,对其进行了时域和频域分析,发现齿轮箱振动信号中均含有大量的噪声,相似度较高,频域中均存在齿轮的啮合频率及其谐波成分,同时在啮合频率及其谐波两侧都会形成一系列边频带。应用小波分析法和自适应噪声集成总体经验模式分解方法,分别对采集到的齿轮箱振动信号进行了降噪分析与处理,发现两种方法降噪后高频成分得到了一定的抑制,同时保留了低频带中原有信号的特征信息。相比而言,自适应噪声集成总体经验模式分解方法更有利于消除环境噪声对振动信号的影响,且有助于突显系统本身固有的特征信息,为后续齿轮箱系统混沌特性分析和故障模式识别与诊断打下了坚实的基础。为了揭示齿轮箱运行中的混沌特性,开展了齿轮箱系统不同运行状态下的混沌特性证明研究。引入了基于相空间重构的定量判别方法,分别为关联维数、最大Lyapunov指数和Kolmogorov熵,以及功率谱定性判别方法。同时,为了验证这四种判别方法的有效性,对于Lorenz理论混沌系统首先开展了混沌特性验证研究,接着对于齿轮箱系统不同运行状态进行了混沌特性判别,发现齿轮箱系统在不同运行状态下,其关联维数均为分数值,最大Lyapunov指数和Kolmogorov熵均大于零,而功率谱均为连续宽带谱。通过联合关联维数、最大Lyapunov指数Kolmogorov熵以及功率谱的方法,共同证明了齿轮箱系统的混沌特性。为了探索齿轮箱系统混沌吸引子空间分布特性,根据相空间重构理论构造了齿轮箱不同运行状态下的混沌吸引子,并探讨了嵌入维数和延迟时间对齿轮系统混沌吸引子的影响,应用相轨迹图和相点三维直方图方法,呈现了齿轮系统混沌吸引子三维空间中相点分布形态和空间结构,并基于相点分布形态和空间结构开展了定性和定量的混沌特性表征研究。同时,采用关联维数、包含球半径、包含相点的盒子数和相点数量最大值指标,对齿轮混沌吸引子进行量化表征计算,进而对齿轮箱不同运行状态进行模式识别。结果表明,混沌吸引子的相轨迹图可直观定性地对齿轮箱不同运行状态进行识别,而包含球半径是一种基于相点分布有效的量化表征指标,可用于实现齿轮箱不同运行状态模式识别。针对齿轮箱实际工作过程中故障特征提取难的问题,引入递归思想和递归分析方法,从系统相空间中相点递归特性出发,探索递归模式与齿轮故障的映射关系,提出了将递归分析结合自适应噪声集成总体经验模式分解方法。从自相似特征角度研究递归模式与齿轮不同模式的映射关系,应用四个递归量化参数分别为递归度、确定性、分层率、熵,对齿轮箱不同运行状态进行特征提取进而故障诊断,发现这四个参数指标均能对齿轮箱不同运行状态进行有效地识别。另外,与基于混沌吸引子相轨迹进行诊断的表征参数相比较,发现递归度和熵这两个递归指标诊断效果更优。结果表明,递归分析结合自适应噪声集成总体经验模式分解方法是一种有效的特征提取用于实现齿轮箱故障识别与诊断的方法。针对目前齿轮动力学建模多以考虑单频激励作用因素为主,而实际应用中齿轮箱多为工作环境复杂恶劣,开展了考虑多频激励作用建立齿轮非线性动力学模型与故障诊断研究。定义了啮合刚度系数,探讨了多频激励参数对正常及裂纹故障模型主共振幅频特性的影响,采用增量谐波平衡法对齿轮动力学响应进行分析计算,研究了正常及裂纹故障模型的动力学特性,证实了考虑多频激励作用模型相比传统单频激励模型更能准确地描述其动力学特性,丰富了齿轮动力学建模理论。同时,利用齿轮箱混沌特性开展了裂纹齿轮不同故障程度的识别与诊断研究。通过计算混沌指标最大Lyapunov指数,发现了最大Lyapunov指数随着裂纹故障程度增加而增大的规律。本文揭示了齿轮箱系统的混沌特性,并以混沌吸引子为依据研究解决齿轮箱故障诊断问题。为机械设备状态识别与故障诊断提供了一种新的思路,具有一定的理论价值及工程应用意义。该论文有图98幅,表19个,参考文献170篇。
彭悟焯[6]（2020）在《基于ARMA-BiLSTM的电网服务器CPU利用率预警方法研究》文中研究说明随着信息技术的不断发展,传统的人工运维方式已经难以满足企业日益增长和不断复杂化的业务需求,自动化运维技术可以较好地解决此问题。而自动化运维平台的业务系统服务器每天都会产生海量的数据业务,这使得业务系统服务器的CPU性能面临超负荷的问题。因此,能否对服务器CPU利用率进行预测,对业务系统服务器的资源分配工作有着重要意义。服务器CPU利用率受到诸多客观因素的影响,其时间序列数据较为复杂,单一预测模型难以得出精准的预测结果。提出基于小波变换的自回归滑动平均模型（ARMA）结合双向长短期记忆神经网络（Bi-LSTM）构建复合预测模型,对服务器CPU利用率进行预测的方法。首先,采用元素平均填充法和拉伊达准则对CPU利用率数据进行预处理,剔除服务器CPU利用率时间序列中的异常数据。其次,利用小波变换对CPU时间序列进行分解,得到代表细节波动的平稳子序列和包含趋势信息的非平稳子序列。提出利用ARMA模型对代表细节波动的平稳子序列进行建模预测,利用Bi-LSTM神经网络模型对包含趋势信息的非平稳子序列进行建模预测。最后,再利用小波变换能够重构原始信号的特点,对各子序列模型预测结果进行合成,获得最终的预测结果。利用国家电网监控中心提供的业务服务器CPU利用率实际数据进行实验研究,并与BP神经网络,单一的LSTM模型以及ARMA-LSTM复合模型进行对比,运用提出的复合模型对CPU利用率的时间序列进行分析预测。并根据服务器的不同,设定不同的预警阈值,结合CPU利用率的预测,对服务器的过载进行提前预警,可以有效地提高服务器工作效率。
程扬[7]（2020）在《水文序列预测模型的耦合及优化研究 ——以磨刀溪为例》文中提出磨刀溪流域是长江上游具有代表性的中小型山区流域,本研究收集有流域内长滩水文站降雨径流资料,以及鱼龙、建南、谋道、龙驹四个雨量站的的降雨资料。首先,从周期性、趋势性、突变性三个方面分析磨刀溪水文序列的特性;其次,从相对误差、绝对误差等指标研究了传统和新兴两类预测模型的精度;然后建立了小波分析和人工神经网络耦合的WNN模型,并探究了水文序列的尺度和复杂特性对模型精度的影响;最后,基于遗传算法的全局寻优特性,优化了WNN模型的阈值、权值、时间尺度因子等模型参数,最终建立了优化的WA-GA-ANN模型。长滩站是磨刀溪流域唯一的水文站,也是集雨面积最大的控制站,分析该站的降雨径流特性,希望可以为磨刀溪全流域的防洪减灾、水资源统一规划利用提供科学指导。联合鱼龙、建南、谋道、龙驹四个雨量站的降雨序列,建立的全流域降雨预测模型,希望可以为该流域甚至中小型山区流域的中长期水文预报做贡献。本文主要研究结论如下:（1）论文采用趋势回归法、Mann-Kendall秩次相关法、滑动平均法识别该序列趋势项;采用时序累计相关曲线法、有序聚类法识别龙角站年径流序列跳跃项;采用傅里叶分析、最大熵谱分析、小波分析进行周期识别。经过对龙角站1959～1990年和长滩站2001～2010年的降雨序列进行分析,发现该站的控制流域内的降雨具有2a尺度的周期性,降雨量总体呈增加趋势,但在1963年～1966年间和1982年～1988年间降雨量有减少的趋势,径流由于受到人类活动的影响,在2001年产生突变点。（2）论文从小波消噪、分解层数确定、小波方法的周期分析等方面详细研究了小波方法体系。运用史坦SURE法和熵准则阈值选取法优选了小波消噪阈值,将这两种阈值选取方法运用到鱼龙站的降雨序列消噪,发现消噪后的序列峰值明显减小,即序列的系统误差减小。同时,提出白噪声检测的小波分解层数确办法,鱼龙站的降雨序列长度192,小波最优分解层数为2,这与经验公式得到的最大分解尺度相符。（3）论文以鱼龙站的降雨序列为例,运用自回归、模糊分析、灰色系统分析分别建立预测模型,比较原序列和模拟序列的残差、相对误差等指标,发现新兴类模型准确、高效、可操作性强。还探究了BP网络、RBF网络、GRNN网络的模型原理,并基于建南、谋道、龙驹的雨量资料、和龙角站的降雨径流资料建立预测模型模拟龙角站的日最高水位,发现GRNN网络模拟序列的特征值更接近实测序列。（4）论文将原始序列采用熵准则消噪,并采用白噪声检测方法确定分解层数后再带入小波分析和人工神经网络耦合的WNN模型。以鱼龙站2001年～2016年的月降雨序列和日降雨序列为例,研究了时间序列尺度对耦合模型预测结果的影响,发现序列越长、时间尺度越小预测结果越精准。再以鱼龙站2001年～2016年的月平均降雨、水位、流量序列为例,探究序列复杂程度特性对耦合模型预测精度的影响,发现序列本身越复杂,预测精度越低。最后本论文针对小波神经网络权值、阈值设定等问题,建立了一套遗传算法优化模型参数的小波神经网络模型。
金博文[8]（2020）在《基于小波神经网络的资金预测模型研究》文中进行了进一步梳理随着全球经济一体化的发展以及未来经济不确定性的增加,传统的行业景气分析已经不再适用于目前错综复杂的形式,而企业对于资金流的需求显着性增加。今年新冠肺炎引发的全球系统性风险使得人们对于灰犀牛以及黑天鹅事件的关注程度明显高于以往,企业往日那种高速发展举债度日的发展模式面临巨大的挑战,因此正是基于现实情况的不断发展以及潜在风险的变化,企业以及个人对于未来现金流的预测需求越来越高,本文就是在此背景之下通过阿里支付宝数据的资金流作为研究对象,试探性的对资金预测展开分析。本文将基本的数学原理进行组合得到小波神经网络,对小波神经网络的优点以及组合原理进行了详细的阐释,其次通过两部分析法对小波神经网络进行时间序列建模,得到线性分离式小波及非线性嵌入式小波神经网络。最终本文通过2.8万用户的基金购买指标进行分析,利用上述模型对上证50信息、余额宝用户流水信息进行预测,构造出模型的预测信息结果,随后再利用预测日的上证50结果作为新模型的输入,对现金流进行预测。并对比经典支持向量机模型、狼群算法模型得到嵌入式小波神经网络预测综合性能更优的结论。本文还加入了资金预测经典模型支持向量机模型、狼群优化算法模型进行资金预测效果对比分析,证明了本文创新模型的可行性及预测精度。本模型的实现,可为资金预测企业提供服务,故具有一定意义。
周晨昕[9]（2020）在《基于加权组合模型的沿海散货运价指数预测研究》文中指出沿海散货运价指数（Coastal Bulk Freight Index,简称“CBFI”）预测研究既是航运企业对散货运输市场发展形势的把握,也是制定企业发展战略的基础。因此,对CBFI指数进行预测研究,不仅使航运企业正确把握市场,而且能使政府做出合理规划和有效投资,对未来的把握和决策具有重大意义,·已成为航运运输市场关注的焦点。散货运价受自然气候和市场不规则因素的影响日益加剧,散货运价序列呈现出非平稳、非线性的特性,航运界的专家学者致力于探寻适用度更优、精度更高的预测模型,从而实现航运市场的持续性发展本文以上海航运交易所发布的CBFI为研究对象,在分析我国沿海散货运输市场内在波动规律的基础上,从内在波动特性角度探究了 CBFI指数预测模型,其主要目的是为了得到高精度的预测模型,为沿海散货运输市场提供技术支撑。本文主要以这三方面进行研究论述:（1）以CBFI为分析对象,应用EMD方法,联合采用IMFs重构和统计分析方法,从重大事件影响、短期市场不规则事件及长期发展趋势三个方面对CBFI内在波动特性进行研究,为后续的预测研究奠定基础。（2）针对EMD预处理后的运价指数序列,建立PSO-LSSVM模型和AR模型的预测模型,同时,对比LSSVM和PSO-LSSVM单一预测模型,预测结果表明经数据预处理的组合模型在预测精度和效果均高于单一预测模型。研究发现经EMD预处理后的AR模型对平稳部分预测效果优于PSO-LSSVM模型,经EMD预处理后的PSO-LSSVM模型对高值部分预测效果优于AR模型。（3）选用以上两种基于EMD预处理后的AR模型和,PSO-LSSVM模型,建立加权组合模型对CBFI指数进行预测。预测结果显示,均方根误差（RMSE）为20.3104、平均相对误差绝对值（MAPE）为1.3292、拟合优度（R2）为98.14%、绝对误差（RE）为1.33%,均优于基于EMD的组合预测模型预测效果。加权组合模型能够统筹经预测模型中所包含的重要信息,并加以综合利用,更为精准地预测沿海散货运输市场的未来发展趋势。经实例分析后,相比单一模型及未经数据预处理的组合模型,本文运用的加权组合模型均优于其对比模型的预测效果及精度,为精准地预测散货运价提供技术模型。
强亚蓉[10]（2020）在《基于EMD方法的时间序列分析和预测》文中指出随着实时观测技术的发展,社会各行业已经积累了海量的信息数据。从事物发展过程中测量到的海量数据中挖掘出能够揭示事物发展一般规律的有用信息,据此预测事物的发展趋势,不仅是大数据分析和预测科学的核心问题,也是实际工作的需要,因而具有重要的科学价值和应用价值。本文首先引入HHT方法分析时间序列的时频变化特点,揭示事件发展的时间特征,然后结合EMD技术和季节性ARIMA模型预测时间序列未来的发展趋势。希尔伯特黄变换（HHT）时频分析方法包含两部分,即经验模态分解（EMD）和希尔伯特谱分析（HSA）,将其应用于Husdom Bay公司的年度貂皮销售数据、IBM公司普通股的交易日收盘价数据、黄河兰州站日含沙量数据中,通过对这些数据进行HHT时频分析,获得它们的经验模态分解图、希尔伯特谱、边际谱、希尔伯特能量谱、瞬时能量谱和瞬时频率。实验结果表明,HHT方法准确描述了Husdom Bay公司年度貂皮销售数据、IBM公司普通股交易日收盘价数据、黄河兰州站日含沙量数据的非线性时变特征,是数据时频分析的有效工具。针对实际问题中时间序列非线性、非平稳、多尺度复合的特点建立了一种基于EMD方法的时间序列预测模型（EMD-ARIMA）。首先,借助于EMD方法将时间序列分解为多个不同时间尺度的内在模函数及趋势项;其次,对每一个内在模函数用季节性ARIMA模型进行预测,对于趋势项用趋势移动平均方法进行预测;最后,将各个子时间序列的预测结果进行复合得到原时间序列的预测结果。比较EMD-ARIMA模型与人工神经网络（ANN）模型和ARIMA模型的预测性能,选取3组不同规模的时间序列做短期、中长期和长期预测,比较3种模型的平均绝对百分比误差（MAPE）、平均绝对误差（MAD）和均方根误差（SDE）。数值实验结果表明:EMD-ARIMA模型不仅揭示了真实时间序列内在的多尺度复合特征和季节性变化规律,而且克服了 ARMA模型不适用于非线性、非平稳时间序列预测的缺点;与经典的ARIMA模型和ANN模型相比,EMD-ARIMA模型明显提高了预测精度,是一种可靠的非线性、非平稳时间序列预测方法。
二、基于小波分析的非平稳时间序列分析与预测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于小波分析的非平稳时间序列分析与预测（论文提纲范文）
（1）基于小波分析的时间序列分析预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 小波分析的发展及国内外研究现状 |
| 1.3 时间序列发展及国内外研究现状 |
| 1.4 小波分析时间序列的发展及国内外研究现状 |
| 第2章 预备知识 |
| 2.1 时间序列基础知识 |
| 2.2 小波分析基础知识 |
| 第3章 小波分析模型 |
| 3.1 小波多分辨分析模型 |
| 3.2 小波分析-回归模型 |
| 3.3 小波分析-回归模型实例应用 |
| 第4章 时间序列分析模型 |
| 4.1 ARMA模型 |
| 4.2 ARIMA模型 |
| 4.3 时间序列模型检验 |
| 4.3.1 平稳性检验 |
| 4.3.2 参数显着性检验 |
| 4.3.3 残差自相关检验 |
| 第5章 小波分析—时间序列模型 |
| 5.1 小波分解重构算法 |
| 5.2 时间序列的小波分解与重构 |
| 5.3 小波分析—时间序列模型实例应用 |
| 5.3.1 WO_3的着色及褪色数据分析预测 |
| 5.3.2 新冠肺炎单日新增病例数据分析预测 |
| 第6章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（2）基于各类EMD-深度神经网络的高频金融数据预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高频金融数据 |
| 1.2.2 深度神经网络 |
| 1.2.3 希尔伯特-黄变换 |
| 1.3 文章结构 |
| 第2章 基础理论 |
| 2.1 深度神经网络 |
| 2.1.1 人工神经网络 |
| 2.1.2 深度神经网络的概述 |
| 2.1.3 深度神经网络前向传播算法数学模型 |
| 2.1.4 深度神经网络反向传播算法数学模型 |
| 2.1.5 深度神经网络的激活函数 |
| 2.2 希尔伯特-黄变换 |
| 2.2.1 经验模态分解 |
| 2.2.2 集合经验模态分解 |
| 2.3 小波分析 |
| 2.3.1 小波变换 |
| 2.3.2 多分辨分析 |
| 2.3.3 Mallat算法 |
| 第3章 基于EEMD-DNN算法的高频金融数据研究 |
| 3.1 EEMD-DNN算法 |
| 3.2 数据的描述 |
| 3.3 深证成指高频数据的分解与重构 |
| 3.3.1 EMD的分解与重构 |
| 3.3.2 EEMD的分解与重构 |
| 3.4 基于深度神经网络的高频金融数据预测 |
| 3.4.1 数据预处理 |
| 3.4.2 模型训练与预测 |
| 3.5 改进的深度神经网络预测 |
| 3.5.1 基于EMD改进的深度神经网络预测 |
| 3.5.2 基于EEMD改进的深度神经网络预测 |
| 3.6 小结 |
| 第4章 基于小波消噪的EEMD-DNN算法的高频金融数据研究 |
| 4.1 基于小波消噪的EMD及 EEMD分解模型的构建 |
| 4.1.1 小波消噪的EEMD-DNN算法 |
| 4.1.2 小波函数的选取及分解层数的确定 |
| 4.2 小波消噪的EMD-DNN的高频数据预测 |
| 4.2.1 小波消噪的EMD的分解与重构 |
| 4.2.2 小波消噪的EMD-DNN的预测 |
| 4.3 小波消噪的EEMD-DNN的高频数据预测 |
| 4.3.1 小波消噪的EEMD的分解与重构 |
| 4.3.2 小波消噪的EEMD-DNN的预测 |
| 4.4 小结 |
| 第5章 结论 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（3）隧道工程自动化监测及变形预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 国内外现状 |
| 1.2.1 国内高速铁路发展现状 |
| 1.2.2 轨道交通发展现状 |
| 1.2.3 隧道监测及变形预测相关研究 |
| 1.3 本文研究内容概述 |
| 1.3.1 研究主要思路 |
| 1.3.2 本文研究主要内容 |
| 第二章 隧道变形监测理论基础 |
| 2.1 隧道施工方法 |
| 2.2 变形监测内容及方法 |
| 2.2.1 变形监测内容 |
| 2.2.2 变形监测方法 |
| 2.3 自动化变形监测 |
| 2.3.1 自动化测量原理 |
| 2.3.2 自动化监测系统构成 |
| 2.4 自动化变形监测数据处理 |
| 2.4.1 监测数据处理流程 |
| 2.4.2 数据预处理 |
| 2.5 基于小波分析的信号去噪 |
| 2.5.1 小波去噪基本原理 |
| 2.5.2 阈值函数 |
| 2.5.3 阈值确定规则 |
| 2.5.4 去噪效果评价 |
| 2.6 变形分析与预测 |
| 2.6.1 变形分析 |
| 2.6.2 预测分析 |
| 第三章 变形预测模型 |
| 3.1 时间序列分析模型 |
| 3.1.1 概述 |
| 3.1.2 时间序列的平稳性和白噪声 |
| 3.1.3 时间序列统计特征 |
| 3.1.4 平稳时间序列分析模型——ARMA体系 |
| 3.1.5 非平稳时间序列分析——ARIMA模型 |
| 3.1.6 时间序列分析建模过程 |
| 3.2 BP神经网络算法 |
| 3.2.1 BP神经网络算法 |
| 3.2.2 BP神经网络的设计 |
| 3.3 本章小结 |
| 第四章 自动化变形监测及预测在高铁隧道中的应用 |
| 4.1 自动化监测在下穿高铁隧道中的应用 |
| 4.1.1 地下下穿高铁隧道工程概况 |
| 4.1.2 下穿过程重难点分析 |
| 4.1.3 自动化监测目的 |
| 4.1.4 自动化监测方案 |
| 4.2 沉降数据的小波去噪 |
| 4.2.1 原始数据 |
| 4.2.2 阈值选择规则的确定 |
| 4.2.3 Scal参数的选择 |
| 4.2.4 小波基函数的选择 |
| 4.2.5 最佳分解层次的确定 |
| 4.2.6 小波去噪结果 |
| 4.3 时间序列分析模型预测分析 |
| 4.3.1 平稳性判断与预处理 |
| 4.3.2 时间序列分析模型识别 |
| 4.3.3 模型检验 |
| 4.3.4 模型拟合与预测 |
| 4.4 BP神经网络模型预测分析 |
| 4.4.1 模型的输入与输出 |
| 4.4.2 数据归一化处理 |
| 4.4.3 模型建立与预测 |
| 4.5 本章小结 |
| 第五章 自动化监测及变形预测在地铁隧道中的应用 |
| 5.1 工程概况 |
| 5.2 自动化监测方案与实施 |
| 5.3 变形监测与变形预测 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 研究生阶段主要成果 |
（4）集装箱班轮运价市场波动及传导特征研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 文献综述 |
| 1.2.1 航运运价市场波动特征及走势分析研究现状 |
| 1.2.2 航运运价市场波动传导特征研究现状 |
| 1.2.3 文献述评 |
| 1.3 研究的主要问题及内容 |
| 1.3.1 研究的主要问题 |
| 1.3.2 研究内容 |
| 1.4 研究思路及技术路线 |
| 1.4.1 研究思路 |
| 1.4.2 结构安排 |
| 1.4.3 技术路线 |
| 1.5 研究目的和意义 |
| 1.5.1 研究目的 |
| 1.5.2 研究意义 |
| 2 国际集装箱班轮概述及理论基础 |
| 2.1 国际集装箱航运市场 |
| 2.1.1 国际集装箱航运市场发展 |
| 2.1.2 国际集装箱航运市场特征 |
| 2.2 集装箱班轮运价概述 |
| 2.2.1 集装箱班轮运价定义及构成 |
| 2.2.2 集装箱班轮运价影响因素分析 |
| 2.2.3 集装箱班轮运价指数及其衍生品 |
| 2.3 航运运价波动及传导 |
| 2.3.1 航运运价波动 |
| 2.3.2 航运运价传导 |
| 2.4 复杂网络理论 |
| 2.4.1 复杂网络理论概述 |
| 2.4.2 复杂网络统计特征 |
| 2.4.3 复杂网络基本模型 |
| 2.5 本章小结 |
| 3 集装箱班轮运价市场波动特征分析 |
| 3.1 问题描述 |
| 3.2 集装箱班轮运价市场波动特征分析模型构建 |
| 3.2.1 波动特征分析模型构建 |
| 3.2.2 波动走势预测模型构建 |
| 3.3 集装箱班轮即期市场运价指数波动特征实证分析 |
| 3.3.1 数据选取与分析 |
| 3.3.2 SCFI波动测算 |
| 3.3.3 SCFI波动特征分析 |
| 3.3.4 SCFI走势组合预测 |
| 3.4 集装箱班轮分航线市场运价波动特征实证分析 |
| 3.4.1数据来源与说明 |
| 3.4.2 SCFI分航线运价波动统计特征 |
| 3.4.3 SCFI分航线运价长期趋势特征 |
| 3.4.4 SCFI分航线运价周期性和季节性波动特征 |
| 3.4.5 SCFI分航线运价不规则波动特征 |
| 3.5 集装箱班轮期货市场价格波动特征实证分析 |
| 3.5.1 数据来源与处理 |
| 3.5.2 SCFI期货价格波动描述性特征 |
| 3.5.3 SCFI期货价格长期趋势特征 |
| 3.5.4 SCFI期货价格季节性波动特征 |
| 3.5.5 SCFI期货价格不规则波动特征 |
| 3.6 本章小结 |
| 4 集装箱班轮即期运价市场自相关波动传导动力学特性 |
| 4.1 问题描述 |
| 4.2 即期市场运价指数自相关波动网络模型构建 |
| 4.2.1 运价指数自相关波动的建立 |
| 4.2.2 运价指数自相关波动符号化过程 |
| 4.2.3 运价指数自相关波动模态粗粒化过程 |
| 4.2.4 运价指数自相关波动网络模型构建 |
| 4.3 即期市场运价指数自相关波动传导动力学特性实证分析 |
| 4.3.1 数据来源与说明 |
| 4.3.2 SCFI自相关波动网络模型构建 |
| 4.3.3 SCFI自相关波动模态统计特征分析 |
| 4.3.4 SCFI自相关波动传导过程中核心模态识别 |
| 4.3.5 SCFI自相关波动模态间传导模式 |
| 4.3.6 SCFI自相关波动传导的集群效应分析 |
| 4.3.7 SCFI自相关波动模态传导媒介能力分析 |
| 4.3.8 SCFI自相关波动模态传导距离分析 |
| 4.4 本章小结 |
| 5 基于格兰杰因果网络的集装箱班轮运价波动传导特性分析 |
| 5.1 问题描述 |
| 5.2 分航线运价波动格兰杰因果网络模型构建 |
| 5.2.1 分航线运价波动序列平稳性检验 |
| 5.2.2 分航线运价波动格兰杰因果关系检验 |
| 5.2.3 分航线运价波动格兰杰因果网络模型构建 |
| 5.3 分航线运价波动传导特性实证分析 |
| 5.3.1 数据来源与处理 |
| 5.3.2 SCFI分航线运价波动格兰杰因果网络构建 |
| 5.3.3 SCFI分航线运价波动传导范围 |
| 5.3.4 SCFI分航线运价波动传导距离 |
| 5.3.5 SCFI分航线运价波动传导媒介能力 |
| 5.3.6 SCFI分航线运价波动集聚能力 |
| 5.3.7 SCFI分航线运价波动传导路径 |
| 5.4 本章小结 |
| 6 集装箱班轮期现货价格市场关联波动传导特征 |
| 6.1 问题描述 |
| 6.2 期现货价格市场关联波动网络模型构建 |
| 6.2.1 期现货价格关联波动的建立 |
| 6.2.2 期现货价格关联波动符号化过程 |
| 6.2.3 期现货价格关联波动模态粗粒化过程 |
| 6.2.4 期现货价格关联波动网络模型构建 |
| 6.3 期现货价格市场关联波动传导特征实证分析 |
| 6.3.1 数据来源及处理 |
| 6.3.2 SCFI期现货价格市场关联波动网络模型构建 |
| 6.3.3 关联波动关键模态识别与分布特征 |
| 6.3.4 关联波动模态集聚能力分析 |
| 6.3.5 关联波动模态传导距离分布特征 |
| 6.3.6 关联波动模态传导媒介识别及分布特征 |
| 6.3.7 关联波动模态的小团体分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
（5）齿轮箱混沌特性与故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景、意义及来源 |
| 1.2 国内外研究进展 |
| 1.3 尚需深入研究的问题 |
| 1.4 主要研究内容 |
| 2 试验信号采集与降噪分析处理研究 |
| 2.1 引言 |
| 2.2 齿轮振动信号采集试验分析 |
| 2.3 试验结果与分析 |
| 2.4 试验信号降噪分析与处理 |
| 2.5 本章小结 |
| 3 齿轮箱系统的混沌特性研究 |
| 3.1 引言 |
| 3.2 相空间重构理论 |
| 3.3 混沌系统的判别方法 |
| 3.4 理论混沌系统证明 |
| 3.5 齿轮系统混沌特性证明 |
| 3.6 本章小结 |
| 4 基于混沌吸引子相点分布特性表征诊断方法研究 |
| 4.1 引言 |
| 4.2 相轨迹图表征与诊断 |
| 4.3 相点三维直方图表征与诊断 |
| 4.4 本章小结 |
| 5 基于混沌吸引子递归特性表征诊断方法研究 |
| 5.1 引言 |
| 5.2 递归分析方法原理 |
| 5.3 齿轮故障递归图分析 |
| 5.4 齿轮故障定量递归分析 |
| 5.5 最优模式识别与诊断方法 |
| 5.6 本章小结 |
| 6 考虑多频激励齿轮动力学建模与诊断研究 |
| 6.1 引言 |
| 6.2 齿轮动力学模型构建 |
| 6.3 齿轮动力学模型特性与诊断 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 研究内容和主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于ARMA-BiLSTM的电网服务器CPU利用率预警方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电网业务服务器运维监控研究现状 |
| 1.2.2 时间序列预测方法研究现状 |
| 1.2.3 LSTM的研究现状 |
| 1.3 本文研究的主要内容 |
| 第2章 小波变换及时间序列预测方法 |
| 2.1 小波变换理论 |
| 2.1.1 小波函数 |
| 2.1.2 小波变换 |
| 2.1.3 小波分解与重构 |
| 2.2 时间序列预测方法 |
| 2.2.1 ARMA和ARIMA预测方法 |
| 2.2.2 LSTM预测方法 |
| 2.2.3 Bi-LSTM预测方法 |
| 2.3 本章小结 |
| 第3章 基于ARMA-BiLSTM的CPU利用率预测方法 |
| 3.1 复合模型构建思想 |
| 3.2 数据获取与预处理 |
| 3.3 时间序列小波分解 |
| 3.4 ARIMA和ARMA预测模型建立 |
| 3.5 Bi-LSTM神经网络预测模型建立 |
| 3.5.1 Bi-LSTM建模流程 |
| 3.5.2 Bi-LSTM网络模型相关参数 |
| 3.6 基于复合模型的服务器CPU利用率预测方法 |
| 3.7 本章小结 |
| 第4章 CPU利用率预测方法的实验研究与分析 |
| 4.1 时间序列预测评价指标 |
| 4.2 实验设计 |
| 4.2.1 实验环境 |
| 4.2.2 实验方案 |
| 4.3 预测模型实验研究 |
| 4.3.1 BP神经网络预测 |
| 4.3.2 ARIMA模型预测 |
| 4.3.3 LSTM模型预测 |
| 4.3.4 ARMA-BiLSTM复合模型预测 |
| 4.3.5 ARMA-LSTM复合模型预测 |
| 4.4 实验对比分析 |
| 4.5 本章小结 |
| 第5章 CPU利用率预警方法 |
| 5.1 服务器CPU过载预警方法 |
| 5.2 服务器过载阈值设定及检验标准 |
| 5.3 预警测试及分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及获得成果 |
| 致谢 |
（7）水文序列预测模型的耦合及优化研究 ——以磨刀溪为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外关于水文序列特性分析研究进展 |
| 1.2.2 国内外关于水文序列预测模型研究进展 |
| 1.3 研究内容和技术路线 |
| 第二章 水文序列分析方法研究 |
| 2.1 水文序列周期分析方法 |
| 2.1.1 傅里叶分析 |
| 2.1.2 最大熵谱分析 |
| 2.2 水文序列跳跃成分识别 |
| 2.2.1 时序累计值相关曲线法 |
| 2.2.2 有序聚类分析法 |
| 2.2.3 Man-Kendall法 |
| 2.3 水文序列趋势成分识别 |
| 2.3.1 滑动平均法 |
| 2.3.2 Kendall秩次相关检验 |
| 2.3.3 趋势回归检验 |
| 2.4 水文序列的小波分析方法 |
| 2.4.1 小波函数选择研究 |
| 2.4.2 小波分解尺度的研究 |
| 2.4.3 基于小波方法的水文序列消噪处理 |
| 2.4.4 水文序列周期的小波分析方法 |
| 2.5 本章小节 |
| 第三章 水文序列预测方法研究 |
| 3.1 自回归模型 |
| 3.1.1 模型结构 |
| 3.1.2 模型的参数估计 |
| 3.1.3 模型的识别 |
| 3.1.4 算例分析 |
| 3.2 马尔科夫预测模型 |
| 3.2.1 模型理论 |
| 3.2.2 算例分析 |
| 3.3 模糊分析 |
| 3.3.1 模型理论 |
| 3.3.2 算例分析 |
| 3.4 灰色系统分析 |
| 3.4.1 模型理论 |
| 3.4.2 算例分析 |
| 3.5 本章小节 |
| 第四章 水文序列预测模型耦合的研究 |
| 4.1 人工神经网络 |
| 4.1.1 BP神经网络 |
| 4.1.2 RBF神经网络 |
| 4.1.3 GRNN神经网络 |
| 4.2 小波神经网络耦合模型 |
| 4.2.1 模型理论 |
| 4.2.2 算例分析 |
| 4.3 水文序列时间尺度对耦合模型预测结果的影响 |
| 4.4 水文序列复杂特性对耦合模型预测结果的影响 |
| 4.5 模型的不足及改进 |
| 4.6 本章小节 |
| 第五章 水文序列预测模型优化的研究 |
| 5.1 遗传算法基本理论 |
| 5.2 GA优化的WNN模型 |
| 5.3 GA优化的WNN模型算法流程 |
| 5.4 WA-GA-ANN模型仿真 |
| 5.5 本章小节 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文和参加的项目 |
| 一、在学期间发表的论文 |
| 二、科研项目 |
| 三、在学期间获奖情况 |
（8）基于小波神经网络的资金预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 关于资金预测模型的研究 |
| 1.2.2 关于小波神经网络模型的研究 |
| 1.2.3 关于时间序列预测方法的研究 |
| 1.3 研究内容以及意义 |
| 1.3.1 防范流动性风险,减少或规避损失 |
| 1.3.2 合理控制流动性盈余,保障投资者收益 |
| 1.3.3 创新模型,落实“智能金融” |
| 1.3.4 规避突发性风险 |
| 1.4 研究方法 |
| 1.4.1 文献研究法 |
| 1.4.2 常用的实证经济分析法 |
| 1.4.3 模型分析法 |
| 第二章 相关理论研究 |
| 2.1 机器学习识别器 |
| 2.1.1 监督学习 |
| 2.1.2 无监督学习 |
| 2.1.3 半监督学习 |
| 2.1.4 强化学习 |
| 2.2 小波神经网络概述 |
| 2.2.1 BP神经网络 |
| 2.2.2 小波神经网络 |
| 2.3 小波分析及其滤波器 |
| 2.3.1 小波的分类与性质 |
| 2.3.2 小波变换与傅里叶变换的比较 |
| 本章小结 |
| 第三章 基于WANN的时间序列小波神经网络 |
| 3.1 时间序列概述 |
| 3.2 基于WANN时间序列的小波分析 |
| 3.2.1 小波伸缩因子 |
| 3.2.2 小波变换 |
| 3.2.3 小波基函数 |
| 3.3 小波降噪处理 |
| 本章小节 |
| 第四章 基于小波神经网络的时间序列金融预测模型构建 |
| 4.1 数据来源 |
| 4.1.1 余额宝ALIP数据集 |
| 4.1.2 上证SSEP数据集 |
| 4.2 数据预处理 |
| 4.2.1 金融数据预处理 |
| 4.2.2 用户分类 |
| 4.3 小波神经网络模型概述 |
| 4.4 分离式小波神经网络 |
| 4.4.1 残差噪声检验 |
| 4.4.2 基于WANN分离式小波神经网络资金预测模型 |
| 4.4.3 实证分析 |
| 4.5 嵌入式小波神经网络 |
| 4.5.1 基于WANN嵌入式双隐层小波神经网络资金预测模型 |
| 4.5.2 实证分析 |
| 4.6 对比分析 |
| 本章小结 |
| 第五章 多种优化算法预测模型的对比分析 |
| 5.1 基于SVM支持向量机的预测模型 |
| 5.1.1 支持向量机的误差预测matlab实现 |
| 5.2 基于狼群算法的阈值优化神经网络 |
| 5.3 对比分析 |
| 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
（9）基于加权组合模型的沿海散货运价指数预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究文献综述 |
| 1.2.1 航运运价波动研究进展 |
| 1.2.2 经验模态分解研究综述 |
| 1.2.3 航运运价预测研究进展 |
| 1.2.4 小结 |
| 1.3 论文内容及技术路线框架 |
| 2 国内散货航运市场及沿海散货运价指数概述 |
| 2.1 国内散货航运市场概述 |
| 2.1.1 国内散货航运市场运输的主要货种 |
| 2.1.2 国内散货航运市场运输的主要船类 |
| 2.1.3 近期国内散货航运市场需求分析 |
| 2.1.4 近期国内散货航运市场供给分析 |
| 2.2 沿海散货运价指数介绍 |
| 2.2.1 沿海散货运价指数构成及计算方法 |
| 2.2.2 沿海散货运价指数的作用和意义 |
| 2.3 影响沿海散货运价因素分析 |
| 2.4 本章小结 |
| 3 CBFI指数波动特性分析 |
| 3.1 经验模态分析理论及其在运价指数波动特性分析中的适用性 |
| 3.1.1 经验模态分解概述 |
| 3.1.2 经验模态分解特性 |
| 3.1.3 经验模态分解在本文模型中的作用 |
| 3.2 算法原理 |
| 3.2.1 经验模态分解基本原理 |
| 3.2.2 IMF重构算法 |
| 3.3 CBFI指数波动分析实例 |
| 3.3.1 数据选择 |
| 3.3.2 统计量介绍 |
| 3.3.3 EMD分解 |
| 3.3.4 IMF统计分析 |
| 3.3.5 重构IMF分析 |
| 3.3.6 低频序列—重大事件影响 |
| 3.3.7 高频序列分析—短期市场不规则事件的影响 |
| 3.3.8 趋势项序列分析—长期发展趋势 |
| 3.4 本章小结 |
| 4 基于EMD预处理的CBFI指数预测研究 |
| 4.1 模型介绍 |
| 4.1.1 支持向量机原理 |
| 4.1.2 粒子群优化算法 |
| 4.1.3 自回归线性模型 |
| 4.1.4 加权组合预测模型 |
| 4.2 预测结果评价指标 |
| 4.3 基于EMD组合模型的CBFI指数预测实例分析 |
| 4.3.1 数据来源 |
| 4.3.2 基于EMD-AR组合模型的研究 |
| 4.3.3 基于EMD-AR组合模型的CBFI指数预测结果分析 |
| 4.3.4 基于EMD-PSO-SVM组合模型的研究 |
| 4.3.5 基于EMD-PSO-SVM组合模型的CBFI指数预测结果分析 |
| 4.4 基于加权组合模型的CBFI指数预测实例分析 |
| 4.4.1 基于加权组合模型的研究 |
| 4.4.2 基于加权组合模型的CBFI指数预测结果分析 |
| 4.5 本章小结 |
| 结论 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读硕士学位期间的科研成果 |
（10）基于EMD方法的时间序列分析和预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 时间序列分析的背景 |
| 1.2 时间序列预测的研究现状 |
| 1.3 本文的结构安排 |
| 第2章 时间序列分析概述 |
| 2.1 经典的时间序列分析方法 |
| 2.2 HHT分析 |
| 第3章 时间序列预测方法与数学模型 |
| 3.1 常用的时间序列预测方法 |
| 3.2 ANN模型 |
| 3.3 ARIMA模型 |
| 3.4 EMD-ARIMA模型 |
| 第4章 实证分析 |
| 4.1 貂皮销售数据的时频分析及预测 |
| 4.2 交易日收盘价数据的时频分析及预测 |
| 4.3 兰州段含沙量数据的时频分析及预测 |
| 第5章 性能分析 |
| 5.1 3种模型的预测结果比较 |
| 5.2 3种模型的预测误差 |
| 5.3 3种模型的预测性能 |
| 5.4 结论 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
四、基于小波分析的非平稳时间序列分析与预测（论文参考文献）
- [1]基于小波分析的时间序列分析预测方法研究[D]. 李荞每. 长春理工大学, 2021
- [2]基于各类EMD-深度神经网络的高频金融数据预测研究[D]. 高斌. 长春工业大学, 2021(08)
- [3]隧道工程自动化监测及变形预测研究[D]. 赵凯. 昆明理工大学, 2021(01)
- [4]集装箱班轮运价市场波动及传导特征研究[D]. 汤霞. 大连海事大学, 2021(04)
- [5]齿轮箱混沌特性与故障诊断研究[D]. 蒋宇. 中国矿业大学, 2020
- [6]基于ARMA-BiLSTM的电网服务器CPU利用率预警方法研究[D]. 彭悟焯. 哈尔滨理工大学, 2020(04)
- [7]水文序列预测模型的耦合及优化研究 ——以磨刀溪为例[D]. 程扬. 重庆交通大学, 2020(01)
- [8]基于小波神经网络的资金预测模型研究[D]. 金博文. 大连交通大学, 2020(06)
- [9]基于加权组合模型的沿海散货运价指数预测研究[D]. 周晨昕. 大连海事大学, 2020(01)
- [10]基于EMD方法的时间序列分析和预测[D]. 强亚蓉. 西北师范大学, 2020(01)