时间序列混合智能辨识、建模与预测

图书标准信息

• 作者 刘辉
• 出版社 科学出版社
• 出版时间 2020-04
• 版次 31
• ISBN 9787030645982
• 定价 198.00元
• 装帧 其他
• 开本 16开
• 页数 392页
• 字数 522千字

【内容简介】

本专著将提出利用"混合智能"的新策略来协调时间序列信号处理的效率和精度问题，结合作者多年从事的两个工程科学"交通运输工程"和"自动化工程"中的经典时间序列种类来详细解释如何运用所提出的新算法和模型完成工程实践运用。本学术专著的作者及其团队成员针对"非线性时间序列高精度预测"这个科学和工程热点，经过长达十来年的深入研究，终于提出了针对不同信号特征和精度要求的超前多步智能预测理论和技术。在该理论中，我们提出了包括"快速集成经验模式分解-神经网络法"、"多分解器-极限学习机法"、"遗传/思维进化神经网络法"等在内的新方法体系。在本专著中，我们将运用铁路沿线风速时间序列、风电场风速时间序列及机器人导航和电源时序数据对全部提出的辨识和预测新模型进行了实时和精度性能考核。

【作者简介】

:
    刘辉，男，中南大学教授、博士生导师，中德双专业双工学博士。现任中南大学学术委员会委员、交通运输工程学院副院长。主持德国教研部Junior Group Leader基金、国家重点研发计划课题、国家自然科学基金等。作为第一或通讯作者发表SCI、EI论文60余篇，其中入选ESI热点论文、ESI高被引论文10余篇。作为第一完成人获教育部自然科学奖二等奖，主要完成人获国家科技进步奖一等奖。作为第一发明人授权国家发明专利40余项。专著2部由Springer与科学出版社合作出版。成果应用于我国青藏、兰新等强风铁路大风预警系统与德国CELISCA实验室智能运载机器人平台。

【目录】

丛书序
前言
篇 时间序列重要分析
章 绪论 3
1.1 概述及研究必要 3
1.2 时间序列研究进展 3
1.2.1 时间序列辨识、建模与预测领域研究情况综述 3
1.2.2 铁路沿线大风风速序列分析研究情况综述 7
1.2.3 大气污染物浓度序列分析研究情况综述 8
1.2.4 股票价格序列分析研究情况综述 9
1.3 时间序列分析方法体系 10
1.4 时间序列分析理论基础 13
1.4.1 多步预测策略 13
1.4.2 时间序列预测精度评价指标 14
第二篇 铁路沿线风速混合智能辨识、建模与预测
第2章 铁路风速数据处理组合算法预测模型 19
2.1 引言 19
2.2 原始风速数据 20
2.3 数据处理组合算法模型 21
2.3.1 模型框架 21
2.3.2 理论基础 22
2.3.3 建模步骤 23
2.3.4 数据处理组合算法风速预测结果 24
2.4 特征选择数据处理组合算法模型 26
2.4.1 模型框架 26
2.4.2 理论基础 27
2.4.3 建模步骤 30
2.4.4 不同特征选择算法对数据处理组合算法模型精度的影响 33
2.5 分解特征选择数据处理组合算法模型 38
2.5.1 模型框架 38
2.5.2 建模步骤 39
2.5.3 不同特征选择算法对分解模型精度的影响 47
2.5.4 预测精度对比 53
2.6 模型预测精度综合对比分析 56
2.6.1 模型预测结果分析 56
2.6.2 预测精度对比分析 56
2.7 本章小结 58
第3章 铁路风速长短期记忆网络预测模型 60
3.1 引言 60
3.2 原始风速数据 61
3.2.1 建模风速序列 61
3.2.2 样本划分 61
3.3 长短期记忆网络预测模型 62
3.3.1 理论基础 62
3.3.2 建模步骤 63
3.3.3 长短期记忆网络模型风速预测结果 64
3.4 基于不同分解算法的长短期记忆网络预测模型 65
3.4.1 模型框架 65
3.4.2 建模步骤 66
3.4.3 不同分解算法对模型精度的影响 71
3.5 基于误差建模的不同分解算法预测模型 73
3.5.1 模型框架 73
3.5.2 理论基础 74
3.5.3 建模步骤 76
3.5.4 不同分解算法对模型精度的影响 79
3.6 模型预测精度综合对比分析 81
3.6.1 模型预测结果分析 81
3.6.2 预测精度对比分析 83
3.7 本章小结 84
第4章 铁路风速卷积门限循环单元预测模型 86
4.1 引言 86
4.2 原始风速数据 87
4.2.1 建模风速序列 87
4.2.2 样本划分 87
4.3 ngru预测模型 88
4.3.1 模型框架 88
4.3.2 理论基础 88
4.3.3 建模步骤 89
4.3.4 不同深度网络模型精度分析 91
4.4 基于ssa的ngru 94
4.4.1 模型框架 94
4.4.2 建模步骤 95
4.4.3 不同深度神经网络对模型精度的影响 95
4.5 模型预测精度综合对比分析 97
4.5.1 模型预测结果分析 97
4.5.2 预测精度对比分析 98
4.6 本章小结 99
第5章 铁路风速预测 boosting集成预测模型 101
5.1 引言 101
5.2 原始风速数据 103
5.2.1 建模风速序列 103
5.2.2 风速序列划分 103
5.3 基于 boosting算法的集成预测模型 103
5.3.1 模型框架 103
5.3.2 建模步骤 104
5.3.3 boosting算法 104
5.4 模型预测精度综合对比分析 112
5.4.1 模型预测结果 112
5.4.2 预测步数对模型精度的影响 121
5.4.3 预测策略对模型精度的影响 122
5.4.4 boosting算法对模型精度的影响 122
5.5 本章小结 125
第6章 基于stacking的铁路风速集成预测模型 127
6.1 引言 127
6.2 原始风速数据 127
6.2.1 建模风速序列 127
6.2.2 样本划分 128
6.3 stacking集成算法 128
6.4 stacking预测模型 129
6.4.1 模型框架 129
6.4.2 建模步骤 130
6.4.3 模型预测结果 134
6.4.4 不同stacking结构对预测精度的影响 137
6.5 stacking分解预测模型 139
6.5.1 模型框架 139
6.5.2 建模过程 140
6.6 模型预测精度综合对比分析 147
6.6.1 模型预测结果 147
6.6.2 不同stacking结构对预测精度的影响 150
6.6.3 分解算法对预测精度的影响 152
6.7 本章小结 153
第三篇 大气污染物浓度混合智能辨识、建模与预测
第7章 大气污染物浓度时间序列特征 157
7.1 大气污染物浓度分析的重要 157
7.2 大气污染物类型 157
7.2.1 一次污染物与二次污染物 157
7.2.2 天然污染物与人为污染物 158
7.2.3 气态污染物与气溶胶态污染物 158
7.3 大气污染物浓度评价指标 159
7.4 不同大气污染物浓度相关分析 160
7.4.1 大气污染物浓度数据 160
7.4.2 不同大气污染物浓度相关研究 162
7.5 大气污染物浓度季节分析 164
7.5.1 大气污染物浓度数据 165
7.5.2 非季节污染物浓度时间序列预测模型 166
7.5.3 季节污染物浓度时间序列预测模型 169
7.5.4 模型预测结果与精度对比分析 173
7.6 本章小结 178
第8章 大气污染物浓度确定预测模型 179
8.1 引言 179
8.2 大气污染物浓度数据 180
8.2.1 原始污染物浓度时间序列 180
8.2.2 样本划分 181
8.3 不同分解框架下的大气污染物浓度混合预测模型 182
8.3.1 模型框架 182
8.3.2 elman神经网络理论基础 182
8.3.3 建模步骤 183
8.3.4 不同分解算法的预测结果对比分析 183
8.3.5 不同分解参数的预测结果对比分析 188
8.4 基于不同预测器的大气污染物浓度混合预测模型 191
8.4.1 模型框架 191
8.4.2 理论基础 191
8.4.3 建模步骤 193
8.4.4 分解算法对不同预测器的预测精度影响分析 193
8.4.5 不同预测器预测结果对比分析 195
8.5 模型能综合对比分析 197
8.5.1 优模型预测结果 197
8.5.2 优模型预测精度对比分析 199
8.6 本章小结 201
第9章 大气污染物浓度不确定区间预测模型 202
9.1 引言 202
9.2 大气污染物浓度数据 203
9.2.1 原始污染物浓度时间序列 203
9.2.2 样本划分 204
9.3 模型体框架 205
9.4 svm确定预测模型 206
9.5 svm-kde区间预测模型 207
9.5.1 理论基础 207
9.5.2 模型预测结果 208
9.6 svm-arch区间预测模型 212
9.6.1 理论基础 212
9.6.2 模型预测结果 213
9.7 svm-garch区间预测模型 218
9.7.1 理论基础 218
9.7.2 模型预测结果 218
9.8 wpd-区间预测混合模型 223
9.8.1 混合模型框架 223
9.8.2 建模过程 224
9.8.3 模型预测结果 224
9.9 模型能综合对比分析 232
9.9.1 不同区间预测模型对比 232
9.9.2 含分解混合模型与无分解模型对比 235
9.10 本章小结 237
0章 大气污染物浓度聚类混合预测模型 239
10.1 引言 239
10.2 大气污染物浓度数据 240
10.2.1 原始污染物浓度时间序列 240
10.2.2 样本划分 240
10.3 模型体框架 242
10.4 bfgs 确定预测模型 244
10.5 聚类评价指标 245
10.5.1 理论基础 245
10.5.2 评价指标 246
10.6 k-均值-bfgs 混合预测模型 247
10.6.1 理论基础 247
10.6.2 模型预测结果 248
10.7 fcm-bfgs 混合预测模型 254
10.7.1 理论基础 254
10.7.2 模型预测结果 255
10.8 k-medoids-bfgs 混合预测模型 261
10.8.1 理论基础 261
10.8.2 模型预测结果 261
10.9 模型能综合对比分析 267
10.10 本章小结 269
1章 大气污染物浓度时空混合预测模型 271
11.1 引言 271
11.2 大气污染物浓度数据 272
11.2.1 原始污染物浓度时间序列 272
11.2.2 样本划分 274
11.3 不同站点pm2.5浓度相关分析 275
11.4 大气污染物浓度 elm 时空混合预测模型 276
11.4.1 模型框架 276
11.4.2 elm 理论基础 276
11.4.3 建模步骤 277
11.4.4 相关系数修正的pm2.5浓度时空混合预测模型 277
11.4.5 融合目标监测点数据修正的pm2.5浓度时空混合预测模型 281
11.4.6 不同输入顺序的pm2.5浓度时空混合预测模型 284
11.5 模型能综合对比分析 287
11.6 本章小结 288
第四篇 金融股票时间序列混合智能辨识、建模与预测
2章 金融股票时间序列 291
12.1 金融股票时间序列分析的重要 291
12.2 我国股票指数 291
12.2.1 中证指数有限公司股票价格指数 292
12.2.2 上海证券交易所股票价格指数 292
……