一、指数平滑法在粮食产量预测中的应用（论文文献综述）
何亚雯[1]（2020）在《基于季节性时间序列的道路交通事故数宏观态势分析及预测》文中研究说明道路交通事故的宏观态势预测与传统道路交通事故微观成因的分析研究相比,是一个较新的研究方向,通过对道路交通事故总量在全局上进行预测分析,发现其宏观规律,可为交通安全预防策略的提出及管理目标的制定等提供参考。本文的主要研究内容包括以下三个方面:（1）针对传统时间序列模型不能解决所有不确定性因素导致预测区间太窄和预测精度不高的问题,本文引用基于Bootstrap算法和Bagging算法改进的ETS模型（Bagged ETS）,以我国2003年至2013年全年分月和分24h统计的道路交通事故数为研究主体,将其分为训练集和测试集,分别建立基于训练集的指数平滑模型、ARIMA模型和改进的ETS模型并预测,预测结果与测试集进行比较。研究发现,在分月事故数预测中,Bagged ETS模型预测精度最高。在分24h事故数预测中,ARIMA（1,1,0）（2,1,0）24预测精度最高,且Bagged ETS模型预测精度高于ETS模型。因此,ETS模型的改进是有效的,但其适用性存在局限性。（2）基于最佳预测模型,分别预测我国2014年至2016年分月和分24h的道路交通事故数,得到以下规律:分月和分24h的道路交通事故数具有明显的季节性和趋势性。实证得到,我国道路交通事故数逐年下降,并进入了平缓期,说明我国近十年来实施的交通安全措施的效果较好,且可为制定交通安全管理目标提供理论依据。通过时序分析和预测,发现道路交通事故在分月统计和分24h统计上均呈现出一定的变化规律:综合来看,道路交通事故的高发月份为4月、8月、9月、11月和12月,低发月份为2月和3月,其中事故发生最高月份为12月,最低月份为2月和3月;道路交通事故的高发时段为7时、11时、14时、17时和18时,低发时段为23时～3时,其中事故发生最高时间点为18时,最低时间点为3时。这些潜在的规律可以为交通相关部门针对性地提出交通预防措施和制定法律条例提供依据。（3）分析得到我国31个省份2003年到2013年连续11年的万车事故率有明显的趋势性,因此引入指数平滑法中的阻尼趋势模型,通过调节阻尼参数,使各省的预测值为正数。预测比较典型的十个省接下来五年（2014～2018）的万车事故率,得出以下规律:在预测的接下来五年的时间里,安徽、海南、广东三省的万车事故率较高,其中安徽省下降速率较快,海南、广东基本平稳,下降速率很低;上海、河北、北京的万车事故率较低,且都以较低的速度在下降,上海市下降至最低。以上规律可为各省制定交通政策和交通安全管理目标提供参考。
袁金华[2]（2020）在《延边地区气象因子变化规律及其对水稻产量的影响》文中提出为了阐明延边州气象因子变化规律以及气候变化对水稻产量影响,论文调研了 1961-2019年延边州气象资料数据和1994-2018年延边州水稻产量数据,通过Microsoft Excel 2010、Fortran、ArgGIS 10.0 和 SPSS13.0 进行数据统计分析,分别分析了延边州8个县（市）水稻全生育期和4个主产区不同生育期热量资源、水资源、光资源的变化特征,研究了气候变化对水稻产量的影响,并以此建立了水稻产量模型,水稻产量模型可以用来指导生产实践,具有应用价值,研究结果具体如下:（1）1961-2019年延边州水稻生长季内热量资源呈增加趋势,热量资源呈东高西低的空间分布特征。不同县（市）水稻不同生育期热量条件存在差异,水稻生育期内年降水量变异性较大且空间分布不均、区域差异明显。延边州水稻生育期内平均日照时数呈缓慢减少的趋势,空间分布总体呈现西部多东部少的特征。（2）1994-2018年延边州水稻平均播种面积呈波动下降趋势,25年间延边州水稻总产量超过五百万吨,25年间水稻单产变幅较大。（3）1994-2018年延边州水稻相邻两年单产增减百分率与生长季平均最高气温、平均日照时数呈极显着的正相关关系,二者是影响水稻产量丰歉的重要因素。论文选择1994-2015年5-9月的逐月的平均气温、最高气温的平均值、最低气温平均值、月降水量、月日照时数25个主要气象指标,运用相关分析。最终确定了影响水稻产量的主要气象因子及关键时期,建立回归方程并进行检验,验证结果显示水稻产量模型较理想。
张一帆[3]（2020）在《改进的动态三次指数平滑法火电厂发电量预测研究》文中研究指明数据预测是大数据应用的核心,数据预测的优势体现在,将一个复杂的实际预测问题,转化为函数模型问题。为了能够良好的实现预测算法在实际问题领域的应用,提供可靠的数据预测,需要提高预测算法的准确度并缩小误差。当前预测算法在火电厂发电量预测中存在一些问题。首先,在预测算法中的参数和公式系数上,大多采用静态的方法,不能够做到实时的调节变化。其次,在实际的数据预测中,预测曲线不能准确的把握数据的拐点和趋势走向。在传统的指数平滑预测模型中,该模型预测的时间范围比较短,不能做到有效的中长期预测。部分静态参数的模型在特定的环境下,可以准确对数据进行预测,但在火电厂发电量预测中,存在高误差、不稳定、低关联性等缺陷。本文提出了时间序列中具有动态平滑系数和参数的动态三次指数平滑法,研究该模型在火电厂发电量预测的适用性。在选取动态参数时使用遗传算法中的轮盘赌算法,通过遗传算法中交叉、复制、变异等一系列操作,来优化动态参数的寻找。由于采用最短步距和迭代循环的计算方式对中长期的发电量走势进行预测,三次指数平滑所用的参数为临近三个月发电量参数,动态系数采用轮盘赌算法计算出的系数。由于实际存在外界环境的干扰,模型会根据企业的生产日志和外界的政策因素,采用预测干预法对数据进行干预和修正。为验证算法的优化效果,本文将使用遗传算法改进的动态三次指数平滑法与动态参数指数平滑法和静态三次指数平滑法做对比,通过实验表明遗传算法改进的动态三次指数平滑法,具有良好的预测数据的能,能够更好的掌握数据的拐点和趋势。该模型具有一定的参考和推广价值,适合火电厂发电量的中长期预测,不仅可以为发电量预测提供重要参考数据,对经济和环境的协调发展具有重要的理论和现实意义。
耿笑敏[4]（2020）在《基于组合预测方法的山东省社会经济重要指标预测》文中认为山东省正处于新旧动能转换和经济发展转型的关键时期,预测其经济发展对制定合理的战略具有重要指导意义,也是普通群众比较关心的问题。GDP作为重要经济指标,一直被大家所关注,但是经济系统是一个复杂的综合系统,仅分析GDP是片面的,因此本文在经济系统的指标中挑选了几个具有代表性的、常用的指标做分析和预测,以期能够较为全面的分析山东省经济发展态势,并提出可行的建议。单一预测模型可能具有信息片面、预测不稳定等缺点,本文综合考虑ARIMA模型、GM（1,1）模型、二次指数平滑法的优缺点,使用组合预测方法对经济指标进行预测,提高了预测精度和可靠度。由于基于单一模型预测误差大小选择模型偶然性较强且容易丢弃有用信息,本文提出基于灰色关联度分析和优性组合冗余筛选的单一模型选择方法,用于筛选将要进行组合的单一模型。用方差倒数法和均方误差倒数法计算出模型权重,基于相对误差平方和和平均相对误差最小原则选择组合预测模型,对山东省经济指标进行预测,在此基础上,从经济总量、经济增速、能源供给、人民生活水平等方面进行分析并提出可行的建议。
孙鑫[5]（2020）在《改进灰色—马尔科夫理论在斜拉桥施工控制中的应用研究》文中研究说明随着现代社会的飞速发展,桥梁建设中的建筑材料、施工工艺、桥梁结构等都拥有了较大的提升空间。因而大跨径混凝土斜拉桥的施工控制理论也相应得到应用,在这样的发展前提下,考虑从参数识别和误差预测两个方面进行大跨径混凝土斜拉桥施工控制理论的研究。本文首次引用灰色-马尔科夫预测模型,致力于提高大跨径斜拉桥在成桥线形、索力等控制精度,满足施工要求,保证大跨径混凝土斜拉桥在施工过程中的稳定性与安全性。因此本文主要完成的内容有以下三项:（1）本文根据现代大跨径斜拉桥施工控制的目的、方法等,整理统计了现在常用斜拉桥施工监控的理论,通过改变参数得到结构的扰动响应值,划分影响参数的敏感性,采用BP神经网络对结构施工过程中的敏感参数进行识别,并实现参数的权重分析,研究分析主梁浇筑过程中参数偏差的影响程度。（2）现在大跨径斜拉桥的施工控制理论主要是采用自适应控制,斜拉桥施工控制的主要步骤为误差分析—参数识别—系统行为预测—系统反馈。而常用的预测研究主要依靠最小二乘法、灰色系统理论、卡尔曼滤波以及BP神经网络实现。本文为提高对斜拉桥施工控制系统预测分析的精度,在传统预测研究理论的基础上,首次引用灰色-马尔科夫理论,对大跨径混凝土主梁每阶段浇筑后悬臂端下挠值进行预测,并采用一定改进方法,增加预测模型的可行性,获得主梁下挠变形预测区间。（3）本文对大跨径斜拉桥施工监控系统的反馈主要体现在两个方面,首先对结构主要敏感参数识别后,在理论设计模型中修改参数,实现参数识别反馈,其次对斜拉桥主梁变形值的预测后,与理论值对比分析,实现对大跨径混凝土斜拉桥施工的较高精度控制。
吴越,张焕明[6]（2020）在《基于Holt两参数指数平滑法和ARIMA模型的长三角粮食产量的预测》文中认为选取长三角地区为研究对象,使用R Studio软件对1950—2018年长三角的粮食产量数据进行分析,分别使用Holt两参数指数平滑法和ARIMA模型预测2019—2023年长三角地区的粮食产量,并对模型进行检验,检验结果均通过,表明长三角地区的粮食产量将保持稳定增长的趋势,预测效果理想。对两种预测方法进行比较,并对长三角地区的粮食发展情况提供相关建议。
席少龙[7]（2019）在《基于PCA-AFSA-SVM的河南省公路货运量预测研究》文中研究表明随着世界经济的高速发展,全球化经济的程度日益加深,国与国之间,经济体与经济体之间的影响也更加深远,随之而来的就是物流网络的全球化。在这种形势下,我国也在积极筹建更加全面和多方位的物流运输网络。在此运输网络中,铁路运输、水运、空运、公路运输、管道运输等都发挥着各自的作用。其中,因为机动灵敏等优势,公路货运是最主要的一种运输方式。因此,国家需对其多方位建设。而在建设过程中公路货运量是需要考虑和规划的重要性因素,其精确的预测结果对指导公路运输网络的建设和运输经济的发展有重要作用。基于上述背景和目的,本文主要对河南省公路货运量进行预测研究。首先,本文对货运量预测相关的国内外现状进行汇总分析,在此基础上提出本文的预测目标;其次,结合河南省的发展概况和货运现状对货运量影响指标进行分析,初步确定其指标体系,并对其做相关性分析,证明指标选取的合理性,同时运用PCA对指标数据进行降维;然后,分别运用三次指数平滑法、多元回归预测、SVM和PCA-SVM模型对河南省公路货运量进行预测和结果比较分析。最后,在对指标进行主成分降维的基础上,运用人工鱼群算法对SVM的主要参数惩罚因子C和径向基核函数参数?进行寻优后代入SVM中,建立PCA-AFSA-SVM模型对河南省公路货运量进行预测研究,之后与其它预测方法进行了结果对比分析,从而说明了PCA-AFSA-SVM模型在公路货运量预测中的可行性和适用性,并在此基础上对河南省2018年公路货运量进行了预测和结果分析。
姚缙然[8]（2019）在《基于Python的粮食产量组合预测模型研究及应用》文中指出粮食作为人类生存的根本,对于一个国家的安定起到举足轻重的作用,中国作为一个产粮大国,一直把粮食生产的发展放在最主要的地位。而随着现代技术的发展,人们不断尝试将现在科技和理论应用在粮食生产技术上,而预测技术就是其中之一。预测技术作为一个已经较为成熟的技术,已经给人们带来许多方便,从天气情况的变化到航天轨迹的预测,都对人类的生活发展产生了巨大的影响,将预测技术运用在粮食生产上,可以有效地改善和预防粮食生产过程中存在的一系列问题。运用预测技术可以对未来粮食产量进行一定评估,从而可以提早对部分地区乃至国家的粮食生产进行规划,达到增产增收,不浪费粮食的目的。预测粮食产量的方法有很多种,对于不同的地域、环境、以及作物等,不同的预测方法所预测的准确度都会不太相同,因而无法用单种方法预测所有的东西,除此之外,由于要准确地预测粮食产量需收集大量的数据并进行处理,只是实现一种预测模型就需要花费很长的时间。随着各种大数据平台的建立,收集数据渐渐已经不像过去那么复杂,不过因为数据量日益庞大,人们亟需一种能同时拥有收集和处理功能的软件来完成任务,于是Python便因此进入了人们的视野。Python拥有强大的数据处理能力和大量丰富的库,使Python能够胜任大部分数据处理的任务。同时,因为Python是一款拥有爬虫功能的软件,所以收集数据也变得非常简单,这使得Python可以在粮食预测上贡献自己的力量。它可以较快处理单个预测模型的工作,这也为粮食的组合预测提供了条件和可能性。本文将通过Python编程以及调用库函数,例如Math、Numpy、scikit-learn以及Pandas等,对指数平滑法、灰色GM（1,1）、回归分析法以及支持向量机这四种常用的粮食预测方法分别进行建模工作,将其编译成Python程序并测试其准确度,再由程序根据不同权重分配的方法将不同的模型进行权重分配,筛选出一种准确度更高的方法,来将多种单一预测模型组合成一个新的预测模型,并对其进行检测,从而获得一个能够取长补短、稳定性好、适用范围更广的组合预测模型,来实现对粮食产量更精准的预测。
白璐[9]（2018）在《绥化市北林区畜牧业发展战略研究》文中研究表明在黑龙江省的农业经济中,绥化市北林区的畜牧产业占有举足轻重的地位,其中牛奶产业和羊毛产业更是全国闻名。畜牧业不仅是北林区的基础产业和优势产业,也是绥化市的农业经济发展的支出产业。在过去一段时间,绥化市北林区畜牧业的发展重心都放在草原畜牧业上,然而过度粗犷式的发展给草原生态环境带来了巨大的损害,这种破坏生态环境的畜牧方法已然不能再继续下去。党的十九大报告提出实施乡村振兴战略和新农村发展政策,为绥化市北林区畜牧业的发展带来了巨大的发展机遇。研究绥化市北林区畜牧业的发展现状,分析畜牧业发展中存在的问题,剖析问题的成因,并结合绥化市北林区的内外部环境,存在的优势与劣势、机会与威胁,研究和制定绥化市北林区畜牧业未来发展的战略,对绥化市北林区现代畜牧业以及绥化市经济的发展具有重要价值。论文运用战略管理理论、可持续发展理论等理论为指导,对国内外专家学者对畜牧业发展战略的相关文献进行分析和总结,结合北林区畜牧业发展现状,采用文献研究法、战略制定分析法以及二次指数平滑法进行相关研究。首先,通过搜索相关文献、统计数据等对绥化市北林区畜牧业的发展现状、存在的问题及问题成因进行分析;其次,对北林区内外部环境进行分析,并运用SWOT分析法对北林区畜牧业发展存在的优势与劣势、机会与威胁进行分析;再次,运用二次指数平滑法对绥化市北林区畜牧业产值和主要畜产品产量进行中长期预测,并基于预测结果提出北林区畜牧业发展的总体战略目标、分项目标和发展重点目标;最后,提出北林区畜牧业发展战略实施的对策建议,研究结论对绥化市北林区现代畜牧业发展决策提供一定重要参考,对促进现代畜牧业发展具有重要意义。
刘莹莹[10]（2017）在《基于组合模型的花生产量预测分析 ——以内黄县为例》文中研究表明对我国粮食产量进行预测是我国政府制定地区规划的重要基础工作之一。随着我国人口的快速增长和经济的飞速发展,确保粮食安全的任务将会变得更加重要。对粮食产量准确的预测,对于国民经济的宏观决策来说意义非凡。花生是我国重要的油料农作物之一,对花生的年产量进行准确的预测可为相关政策的制订提供有力的依据。科学的快速发展,促使预测技术的应用范围变得更为广泛,与此同时人们对预测精度的要求也随之变高。对粮食产量预测的模型中,现在使用比较广泛的有神经网络方法、支持向量机模型和灰色理论模型等,但是在现实预测中,研究学者们发现单项预测模型的模型预测精度已经不能满足需要,从而衍生出将多种预测方法组合使用;实践证明,组合预测模型方法的预测精度更高且更加具有科学性。鉴于组合预测模型方法的实际应用的有效性及其科学性,本文尝试运用组合预测模型方法来对河南省内黄县花生的产量进行预测,期望可以提高花生产量的预测精度。在本文中,作者选取两种方法对河南省内黄县花生产量进行单一模型的预测:指数平滑预测模型和GM（1,1）预测模型。指数平滑预测模型属于时间序列预测法,其特点是能够实时追踪数据的变化,然后对数据序列中所包含的趋势的变化随时进行调整且好操作,而且在短期预测中,由于即时信息少且信息不完整,所以指数平滑预测模型是比较理想的选择;GM（1,1）预测模型的优点是:可检验、运算方便、所需数据样本比较小且短期预测精度高等,它主要适用于对单一的指数增长序列进行预测。在两种预测模型的预测结果基础上对两种模型进行组合使用,对三种模型的预测结果与实际产量做对比发现,组合模型的预测结果均高于指数平滑预测模型和GM（1,1）预测模型,与实际产量有较好的拟合值,由此推出可以使用组合模型对内黄县花生产量进行预测。
二、指数平滑法在粮食产量预测中的应用（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、指数平滑法在粮食产量预测中的应用（论文提纲范文）
（1）基于季节性时间序列的道路交通事故数宏观态势分析及预测（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 文献总结 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 时间序列简介及预测模型介绍 |
| 2.1 时间序列简介 |
| 2.1.1 时间序列基本理论 |
| 2.1.2 平稳和非平稳 |
| 2.1.3 时间序列的分解 |
| 2.2 指数平滑法 |
| 2.2.1 模型介绍 |
| 2.2.2 建模步骤 |
| 2.2.3 优缺点 |
| 2.3 ARIMA模型 |
| 2.3.1 模型介绍 |
| 2.3.2 建模步骤 |
| 2.3.3 优缺点 |
| 2.4 改进的ETS模型 |
| 2.4.1 算法原理 |
| 2.4.2 建模步骤 |
| 2.5 模型评价指标 |
| 2.6 本章小结 |
| 3 数据介绍 |
| 3.1 数据来源 |
| 3.2 时间序列可视化 |
| 3.2.1 全年分月道路交通事故数数据特征 |
| 3.2.2 全年分24h道路交通事故数据特征 |
| 3.2.3 全年分省道路交通事故数据特征 |
| 3.3 本章小结 |
| 4 分月和分24h道路交通事故宏观态势实证分析 |
| 4.1 分月道路交通事故态势分析 |
| 4.1.1 数据准备 |
| 4.1.2 基于指数平滑法的分月数据实证分析 |
| 4.1.3 基于ARIMA模型的分月数据实证分析 |
| 4.1.4 基于改进的ETS模型的分月数据实证分析 |
| 4.1.5 基于分月数据的三种模型和拟合效果评价 |
| 4.1.6 预测 |
| 4.2 分24h道路交通事故态势分析 |
| 4.2.1 数据准备 |
| 4.2.2 基于指数平滑法的分24h数据实证分析 |
| 4.2.3 基于ARIMA模型的分24h数据实证分析 |
| 4.2.4 基于改进的ETS模型的分24h数据的实证分析 |
| 4.2.5 基于分24h数据的三种模型和拟合效果评价 |
| 4.2.6 预测 |
| 4.3 本章小结 |
| 5 不同地区道路交通事故态势分析 |
| 5.1 数据来源 |
| 5.2 统计指标 |
| 5.3 不同地区道路交通事故数态势分析 |
| 5.3.1 趋势分析 |
| 5.3.2 趋势预测 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究成果 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）延边地区气象因子变化规律及其对水稻产量的影响（论文提纲范文）
| 摘要 |
| Abstract |
| 1 前言 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 气候变暖对农业种植制度、区域及农作物种类的影响 |
| 1.2.2 气象因子对水稻产量的影响 |
| 1.2.3 粮食产量预测 |
| 1.3 研究内容 |
| 2 研究区概况和数据处理方法 |
| 2.1 研究区概况 |
| 2.2 数据来源 |
| 2.2.1 水稻数据 |
| 2.2.2 气象数据 |
| 2.3 统计分析 |
| 2.3.1 农作物气象产量 |
| 2.3.2 气候突变分析 |
| 2.3.3 皮尔森相关分析 |
| 2.3.4 滑动平均法 |
| 2.3.5 指数平滑法 |
| 3 结果与分析 |
| 3.1 水稻生育期农业气候资源变化特征分析 |
| 3.1.1 水稻生育期热量资源变化特征分析 |
| 3.1.1.1 水稻全生育期平均气温时空变化特征分析 |
| 3.1.1.2 水稻不同生育期平均气温变化特征分析 |
| 3.1.1.3 水稻全生育期≥10℃活动积温时空变化特征分析 |
| 3.1.1.4 水稻全生育期无霜期变化特征分析 |
| 3.1.2 水稻生育期水资源变化特征分析 |
| 3.1.2.1 水稻全生育期降水时空变化特征分析 |
| 3.1.2.2 水稻不同生育期降水变化特征分析 |
| 3.1.3 水稻生育期光资源变化特征分析 |
| 3.1.3.1 水稻全生育期日照时数时空变化特征分析 |
| 3.1.3.2 水稻不同生育期日照时数变化特征分析 |
| 3.1.4 小结 |
| 3.2 水稻种植面积及生产力特征分析 |
| 3.2.1 水稻播种面积变化特征分析 |
| 3.2.2 水稻总产量变化特征分析 |
| 3.2.3 水稻单产变化特征分析 |
| 3.2.4 小结 |
| 3.3 气象因子对水稻产量的影响及产量模型建立 |
| 3.3.1 水稻产量的丰歉与气象因子变化的关系 |
| 3.3.2 水稻产量及趋势产量、气候产量 |
| 3.3.3 气象产量与各气象要素相关性分析 |
| 3.3.4 水稻产量模型 |
| 3.3.5 结果检验 |
| 3.3.6 小结 |
| 4 讨论 |
| 5 结论 |
| 参考文献 |
| 致谢 |
| 附录A (攻读学位期间发表论文目录） |
（3）改进的动态三次指数平滑法火电厂发电量预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 静态三次指数平滑的研究现状 |
| 1.2.2 动态三次指数平滑的研究现状 |
| 1.2.3 轮盘赌算法的研究现状 |
| 1.3 研究内容 |
| 1.4 工作安排概述 |
| 1.5 本章小结 |
| 第2章 动态三次指数平滑算法及相关技术 |
| 2.1 时间序列 |
| 2.1.1 时间序列的特征 |
| 2.1.2 时间序列预测模型的常见种类 |
| 2.2 传统三次指数平滑 |
| 2.2.1 静态三次指数平滑的研究现状 |
| 2.2.2 静态三次指数平滑模型分析 |
| 2.3 动态三次指数平滑 |
| 2.3.1 动态三次指数平滑模型的研究现状 |
| 2.3.2 动态三次指数平滑模型分析 |
| 2.3.3 动态三次指数平滑模型动态系数的设计 |
| 2.4 本章小结 |
| 第3章 遗传算法及相关技术 |
| 3.1 遗传算法 |
| 3.1.1 遗传算法的特征 |
| 3.1.2 遗传算法的算法流程 |
| 3.1.3 遗传算法的研究现状 |
| 3.1.4 遗传算法的编码及实现 |
| 3.2 轮盘赌算法 |
| 3.2.1 轮盘赌算法的概述 |
| 3.2.2 轮盘赌算法的编码及实现 |
| 3.2.3 轮盘赌算法的应用 |
| 3.3 本章小结 |
| 第4章 基于轮盘赌改进的动态指数平滑算法 |
| 4.1 模型设计的原理 |
| 4.2 算法的可行性分析 |
| 4.3 算法的步骤 |
| 4.4 算法的实现 |
| 4.5 本章小结 |
| 第5章 火电厂发电量预测 |
| 5.1 实验背景 |
| 5.2 数据除噪 |
| 5.2.1 建立异常数据的标准 |
| 5.2.2 异常数据清理 |
| 5.3 系数数据训练 |
| 5.3.1 训练往期数据 |
| 5.3.2 标记系数的月份位置 |
| 5.4 设置预测的时间宽度 |
| 5.5 实现算法并对比传统方法 |
| 5.6 计算误差 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读硕士期间发表论文和参加科研情况说明 |
（4）基于组合预测方法的山东省社会经济重要指标预测（论文提纲范文）
| 摘要 |
| ABSTRCT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 论文概述 |
| 1.3 创新点 |
| 第2章 重要社会经济指标介绍 |
| 2.1 地区生产总值 |
| 2.2 固定资产投资总额 |
| 2.3 一般公共预算收入 |
| 2.4 社会消费品零售总额 |
| 2.5 GDP增长率 |
| 2.6 能源生产总量 |
| 2.7 人均可支配收入 |
| 2.7.1 城镇居民人均可支配收入 |
| 2.7.2 农村居民人均可支配收入 |
| 第3章 常用的单一预测模型 |
| 3.1 ARIMA(p,d,q)模型 |
| 3.1.1 地区生产总值GDP |
| 3.1.2 固定资产投资总额FAI |
| 3.1.3 一般公共预算收入GBR |
| 3.1.4 社会消费品零售总额CGR |
| 3.1.5 能源生产总量TEP |
| 3.1.6 人均可支配收入DPI |
| 3.2 GM(1,1)模型 |
| 3.2.1 地区生产总值GDP |
| 3.2.2 固定资产投资总额FAI |
| 3.2.3 一般公共预算收入GBR |
| 3.2.4 社会消费品零售总额CGR |
| 3.2.5 能源生产总量TEP |
| 3.2.6 人均可支配收入DPI |
| 3.3 指数平滑法 |
| 3.3.1 地区生产总值GDP |
| 3.3.2 固定资产投资总额FAI |
| 3.3.3 一般公共预算收入GBR |
| 3.3.4 社会消费品零售总额CGR |
| 3.3.5 能源生产总量TEP |
| 3.3.6 人均可支配收入DPI |
| 3.4 预测2019-2025年经济指标 |
| 3.4.1 对地区生产总值GDP预测 |
| 3.4.2 对固定资产投资总额FAI预测 |
| 3.4.3 对一般公共预算收入GBR预测 |
| 3.4.4 对社会消费品零售总额CGR预测 |
| 3.4.5 对能源生产总量TEP预测 |
| 3.4.6 对人均可支配收入DPI预测 |
| 第4章 组合预测模型 |
| 4.1 权重 |
| 4.2 建立组合预测模型 |
| 4.3 实例分析 |
| 4.3.1 地区生产总值GDP |
| 4.3.2 固定资产投资总额FAI |
| 4.3.3 一般公共预算收入GBR |
| 4.3.4 社会消费品零售总额CGR |
| 4.3.5 能源生产总量TEP |
| 4.3.6 人均可支配收入DPI |
| 第5章 模型改进 |
| 5.1 灰色关联度分析 |
| 5.2 非负冗余筛选 |
| 5.3 实例分析 |
| 5.3.1 地区生产总值GDP |
| 5.3.2 固定资产投资总额FAI |
| 5.3.3 一般公共预算收入GBR |
| 5.3.4 社会消费品零售总额CGR |
| 5.3.5 能源生产总量TEP |
| 5.3.6 人均可支配收入DPI |
| 第6章 预测结果分析与建议 |
| 6.1 预测结果分析 |
| 6.1.1 经济总量分析 |
| 6.1.2 经济增长分析 |
| 6.1.3 能源供给分析 |
| 6.1.4 人民生活水平分析 |
| 6.2 结论和建议 |
| 第7章 总结和展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（5）改进灰色—马尔科夫理论在斜拉桥施工控制中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 大跨径斜拉桥施工监控 |
| 1.1.1 大跨径斜拉桥施工监控的目的 |
| 1.1.2 大跨径斜拉桥施工监控的内容 |
| 1.1.3 大跨径斜拉桥施工监控的方法 |
| 1.2 斜拉桥施工监控研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要研究内容及技术路线 |
| 第二章 大跨径斜拉桥施工控制与反馈理论 |
| 2.1 大跨径斜拉桥施工现有分析理论 |
| 2.1.1 最小二乘法 |
| 2.1.2 卡尔曼滤波法 |
| 2.1.3 BP神经网络法 |
| 2.2 灰色系统理论法 |
| 2.2.0 灰色GM(1,1)模型 |
| 2.2.1 残差修正GM(1,1)模型 |
| 2.2.2 灰色预测模型精度验证 |
| 2.3 大跨径斜拉桥反馈控制理论 |
| 2.3.1 大跨径斜拉桥反馈控制的目的 |
| 2.3.2 大跨径斜拉桥反馈控制的内容 |
| 2.4 本文选用的方法 |
| 2.5 本章小结 |
| 第三章 斜拉桥施工控制参数敏感性分析与识别 |
| 3.1 工程概况 |
| 3.1.1 清水江特大桥 |
| 3.1.2 有限元模型的建立 |
| 3.2 参数敏感性分析 |
| 3.2.1 材料自重 |
| 3.2.2 材料弹性模量 |
| 3.2.3 拉索索力 |
| 3.2.4 施工荷载(挂篮) |
| 3.2.5 预应力控制张拉应力 |
| 3.2.6 预应力损失 |
| 3.2.7 混凝土收缩徐变 |
| 3.2.8 参数比较 |
| 3.3 基于BP神经网络的参数识别 |
| 3.3.1 基于BP神经网络的参数识别 |
| 3.3.2 训练样本和测试样本的确定 |
| 3.3.3 BP神经网络的建立 |
| 3.3.4 BP神经网络权重分析 |
| 3.4 本章小结 |
| 第四章 灰色-马尔科夫预测模型及其改进 |
| 4.1 马尔科夫预测模型基本理论 |
| 4.1.1 马尔科夫过程 |
| 4.1.2 马尔科夫链 |
| 4.1.3 状态转移概率与转移概率矩阵 |
| 4.1.4 马尔科夫状态划分 |
| 4.1.5 马氏性检验 |
| 4.2 灰色-马尔科夫预测模型 |
| 4.2.1 灰色-马尔科夫预测理论 |
| 4.2.2 灰色-马尔科夫预测模型的建立 |
| 4.3 新陈代谢法优化灰色-马尔科夫预测模型 |
| 4.3.1 新陈代谢对预测模型的优化 |
| 4.3.2 新陈代谢灰色-马尔科夫预测模型的建立 |
| 4.4 本章小结 |
| 第五章 改进灰色-马尔科夫理论在斜拉桥施工中的应用 |
| 5.1 原始数据的优化 |
| 5.1.1 非负化 |
| 5.1.2 指数平滑法 |
| 5.2 灰色-马尔科夫预测模型在主梁线形控制中的应用 |
| 5.2.1 模型数据的选择与检验 |
| 5.2.2 建立主梁线形变化GM(1,1)预测模型 |
| 5.2.3 主梁线形变化转移状态的划分 |
| 5.2.4 灰色-马尔科夫模型对桥梁线形变化的预测 |
| 5.3 新陈代谢法改进灰色-马尔科夫预测模型 |
| 5.3.1 新陈代谢GM(1,1)建模过程 |
| 5.3.2 新陈代谢改进灰色-马尔科夫模型对桥梁线形变化的预测 |
| 5.3.3 残差修正结合新陈代谢法对灰色-马尔科夫预测模型的改进 |
| 5.4 基于改进灰色-马尔科夫预测值的施工反馈控制 |
| 5.4.1 反馈控制流程设计 |
| 5.4.2 基于改进灰色-马尔科夫预测值的反馈分析 |
| 5.5 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 |
| 附表A 本文所使用MATLAB程序 |
| 在校期间发表的论文和取得的学术成果 |
（6）基于Holt两参数指数平滑法和ARIMA模型的长三角粮食产量的预测（论文提纲范文）
| 1 引言 |
| 2 数据来源与处理 |
| 3 基于Holt两参数指数平滑法的长三角粮食产量预测 |
| 3.1 研究思路 |
| 3.2 研究方法 |
| 3.2.1 Holt两参数指数平滑法 |
| 3.2.2 模型的检验 |
| 3.3 结果分析 |
| 3.3.1 模型的检验 |
| 3.3.2 模型预测结果 |
| 4 基于ARIMA模型的长三角粮食产量的预测 |
| 4.1 研究思路 |
| 4.2 研究方法 |
| 4.3 结果分析 |
| 4.3.1 序列的平稳化处理 |
| 4.3.2 拟合模型的识别 |
| 4.3.3 模型的参数估计 |
| 4.3.4 模型的显着性检验 |
| 4.3.5 预测结果 |
| 5 Holt两参数指数平滑法与ARIMA(2,2,2)模型的比较 |
| 5.1 相同点 |
| 5.2 不同点 |
| 6 结论与建议 |
（7）基于PCA-AFSA-SVM的河南省公路货运量预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 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 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 货运量影响因素研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 河南省发展现状分析及公路货运量指标体系建立 |
| 2.1 河南省概况 |
| 2.1.1 自然条件 |
| 2.1.2 河南省社会经济发展概况 |
| 2.2 河南省货运现状 |
| 2.3 河南省公路货运量指标体系建立 |
| 2.3.1 指标选取原则 |
| 2.3.2 影响因素分析 |
| 2.3.3 指标体系建立 |
| 2.3.4 指标降维 |
| 2.4 小结 |
| 第三章 常用预测方法简述及实例分析 |
| 3.1 预测方法简述 |
| 3.1.1 定性预测 |
| 3.1.2 定量预测 |
| 3.2 公路货运量预测实例分析 |
| 3.2.1 基于三次指数平滑法的公路货运量预测 |
| 3.2.2 基于多元回归法的公路货运量预测 |
| 3.3 小结 |
| 第四章 基于PCA-SVM的河南省公路货运量预测研究 |
| 4.1 SVM理论分析与模型构建 |
| 4.1.1 支持向量机的研究现状 |
| 4.1.2 支持向量机理论 |
| 4.2 基于SVM的河南省公路货运量预测研究 |
| 4.3 基于PCA-SVM的河南省公路货运量预测研究 |
| 4.3.1 PCA-SVM模型流程 |
| 4.3.2 基于PCA-SVM的河南省公路货运量预测研究 |
| 4.4 小结 |
| 第五章 基于PCA-AFSA-SVM的河南省公路货运量预测研究 |
| 5.1 人工鱼群算法 |
| 5.1.1 基本理论 |
| 5.1.2 算法流程 |
| 5.2 基于PCA-AFSA-SVM的河南省公路货运量预测 |
| 5.2.1 PCA-AFSA-SVM模型流程 |
| 5.2.2 基于PCA-AFSA-SVM的河南省公路货运量预测 |
| 5.2.3 河南省公路货运量预测及结果分析 |
| 5.3 小结 |
| 第六章 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（8）基于Python的粮食产量组合预测模型研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外粮食预测现状 |
| 1.3 研究粮食产量组合预测模型的目的和意义 |
| 1.4 课题来源及研究内容 |
| 2 预测相关理论及工具 |
| 2.1 预测的概念 |
| 2.1.1 预测的分类 |
| 2.1.2 预测的重要性 |
| 2.2 预测工具Python的介绍 |
| 2.3 Python的发展现状 |
| 2.4 Python基本构成 |
| 2.4.1 Python基本数据结构 |
| 2.4.2 Python编程单位 |
| 2.4.3 Python编程结构图 |
| 2.4.4 Python与数据库接口 |
| 2.5 运用Python预测的优势 |
| 2.6 本章小结 |
| 3 粮食组合预测模型 |
| 3.1 常用预测模型 |
| 3.1.1 指数平滑模型 |
| 3.1.2 回归模型 |
| 3.1.3 时间序列模型 |
| 3.1.4 灰色预测模型 |
| 3.1.5 支持向量机 |
| 3.2 组合预测 |
| 3.3 组合预测模型的原理 |
| 3.4 粮食组合预测权重 |
| 3.5 本章小结 |
| 4 粮食组合预测模型的实现 |
| 4.1 数据来源 |
| 4.2 样本选取依据 |
| 4.3 单个预测方法的实现与结果分析 |
| 4.3.1 指数平滑法实现与分析 |
| 4.3.2 灰色GM(1,1)实现分析 |
| 4.3.3 支持向量机(SVM)实现 |
| 4.3.4 回归模型实现 |
| 4.4 组合预测的结论分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（9）绥化市北林区畜牧业发展战略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文研究背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.1.3 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外研究现状的评述 |
| 1.3 论文研究的整体思路 |
| 1.4 论文的研究方法 |
| 1.5 论文创新之处 |
| 第2章 绥化市北林区畜牧业发展现状分析 |
| 2.1 绥化市北林区 |
| 2.2 绥化市北林区畜牧业发展历史 |
| 2.3 绥化市北林区畜牧业发展现状 |
| 2.3.1 畜牧产业规模化养殖 |
| 2.3.2 畜牧产业产业深加工 |
| 2.3.3 畜牧产业养殖疾病防控 |
| 2.3.4 绥化市畜牧产业废弃物无害化处理 |
| 2.4 绥化市北林区畜牧业发展存在的问题 |
| 2.4.1 产业化发展缓慢 |
| 2.4.2 畜牧养殖场(户)基础设施落后 |
| 2.4.3 技术推广能力薄弱 |
| 2.4.4 绥化市北林区畜产品质保体系不健全 |
| 2.5 绥化市北林区畜牧业发展问题成因分析 |
| 2.5.1 产业发展理念落后 |
| 2.5.2 生产方式粗放 |
| 2.5.3 畜牧技术推广体系不完善 |
| 2.5.4 畜产品质量监管不到位 |
| 2.6 本章小结 |
| 第3章 绥化市北林区畜牧业发展环境分析 |
| 3.1 绥化市北林区畜牧业发展外部环境 |
| 3.1.1 经济环境 |
| 3.1.2 技术环境 |
| 3.1.3 政策环境 |
| 3.1.4 文化环境 |
| 3.2 绥化市北林区畜牧业发展内部环境 |
| 3.2.1 已有畜牧业资源 |
| 3.2.2 畜牧业人力资源 |
| 3.2.3 畜牧业发展资金与设备设施 |
| 3.3 北林区畜牧业发展战略SWOT分析 |
| 3.3.1 机会分析 |
| 3.3.2 威胁分析 |
| 3.3.3 优势分析 |
| 3.3.4 劣势分析 |
| 3.3.5 绥化市北林区畜牧业的SWOT矩阵分析 |
| 3.4 本章小结 |
| 第4章 绥化市北林区畜牧业发展战略的制定 |
| 4.1 绥化市北林区畜牧产业发展预测 |
| 4.1.1 指数平滑法 |
| 4.1.2 绥化市北林区畜牧业产值发展预测结果 |
| 4.2 绥化市北林区畜牧业发展战略指导思想与原则 |
| 5.2.1 发展战略指导思想 |
| 5.2.2 发展战略制定原则 |
| 4.3 绥化市北林区畜牧业发展战略制定及目标 |
| 4.3.1 总体发展战略制定及目标 |
| 4.3.2 畜牧业发展分项目标 |
| 4.3.3 畜牧产业发展战略重点 |
| 4.4 本章小结 |
| 第5章 绥化市北林区畜牧业发展战略实施对策 |
| 5.1 制定产业发展扶持政策 |
| 5.1.1 增强畜牧业发展标准化规模化 |
| 5.1.2 拓宽畜牧业发展融资渠道 |
| 5.2 延伸产业链 |
| 5.2.1 推进畜牧业发展标准化进程 |
| 5.2.2 畜产品加工精细化深度化 |
| 5.3 完善技术推广系统 |
| 5.3.1 加强农业科技建设 |
| 5.3.2 加快畜牧业物联网技术应用 |
| 5.3.3 加强畜牧业专业队伍建设 |
| 5.4 健全畜产品质量安全和保障体系 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 附录 |
（10）基于组合模型的花生产量预测分析 ——以内黄县为例（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织 |
| 第二章 理论基础与技术原理 |
| 2.1 指数平滑法 |
| 2.1.1 Simple法 |
| 2.1.2 Holt法 |
| 2.1.3 Winters法 |
| 2.1.4 指数平滑法的优点及应用 |
| 2.2 灰色预测法 |
| 2.2.1 数据处理 |
| 2.2.2 模型建立 |
| 2.2.3 灰色GM(1,1)模型优点及应用 |
| 2.3 组合预测法 |
| 2.3.1 组合预测模型起源 |
| 2.3.2 组合预测模型分类 |
| 2.3.3 组合预测理论模型 |
| 2.3.4 权重计算方法 |
| 第三章 数据的收集与预处理 |
| 3.1 花生简介 |
| 3.2 数据收集 |
| 3.3 数据处理 |
| 第四章 预测模型与分析 |
| 4.1 指数平滑预测模型构建 |
| 4.2 GM（1,1）预测模型构建 |
| 4.2.1 GM（1,1）模型建模过程 |
| 4.2.2 模型精度检验 |
| 第五章 实验与分析 |
| 5.1 指数平滑预测模型实验结果 |
| 5.2 GM（1,1）预测模型实验结果 |
| 5.3 组合预测模型实验结果 |
| 第六章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的科研成果 |
四、指数平滑法在粮食产量预测中的应用（论文参考文献）
- [1]基于季节性时间序列的道路交通事故数宏观态势分析及预测[D]. 何亚雯. 北京交通大学, 2020(03)
- [2]延边地区气象因子变化规律及其对水稻产量的影响[D]. 袁金华. 延边大学, 2020(06)
- [3]改进的动态三次指数平滑法火电厂发电量预测研究[D]. 张一帆. 河北工程大学, 2020(08)
- [4]基于组合预测方法的山东省社会经济重要指标预测[D]. 耿笑敏. 山东大学, 2020(11)
- [5]改进灰色—马尔科夫理论在斜拉桥施工控制中的应用研究[D]. 孙鑫. 重庆交通大学, 2020(01)
- [6]基于Holt两参数指数平滑法和ARIMA模型的长三角粮食产量的预测[J]. 吴越,张焕明. 武汉轻工大学学报, 2020(01)
- [7]基于PCA-AFSA-SVM的河南省公路货运量预测研究[D]. 席少龙. 深圳大学, 2019(10)
- [8]基于Python的粮食产量组合预测模型研究及应用[D]. 姚缙然. 武汉轻工大学, 2019(01)
- [9]绥化市北林区畜牧业发展战略研究[D]. 白璐. 哈尔滨工程大学, 2018(05)
- [10]基于组合模型的花生产量预测分析 ——以内黄县为例[D]. 刘莹莹. 河南师范大学, 2017(02)