时间序列混合智能辨识、建模与预测
全新正版 极速发货
¥
131.09
6.6折
¥
198
全新
库存4件
作者刘辉
出版社科学出版社
ISBN9787030645982
出版时间2020-03
装帧平装
开本其他
定价198元
货号1202044470
上书时间2024-05-31
商品详情
- 品相描述:全新
- 商品描述
-
目录
丛书序
前言
篇 时间序列重要性分析
章 绪论 3
1.1 概述及研究必要性 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 CNNGRU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CNNGRU 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性 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性分析 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性研究 162
7.5 大气污染物浓度季节性分析 164
7.5.1 大气污染物浓度数据 165
7.5.2 非季节性污染物浓度时间序列预测模型 166
7.5.3 季节性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性预测模型 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 模型性能综合对比分析 197
8.5.1 最优模型预测结果 197
8.5.2 最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性区间预测模型 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 模型总体框架 205
9.4 SVM确定性预测模型 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 模型性能综合对比分析 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 模型总体框架 242
10.4 BFGS 确定性预测模型 244
10.5 聚类内部评价指标 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 模型性能综合对比分析 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浓度相关性分析 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 模型性能综合对比分析 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性 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
……
内容摘要
《时间序列混合智能辨识、建模与预测》提出了时间序列混合智能辨识、建模与预测的理论和方法。内容分四篇共16章。篇阐述了时间序列分析的重要性,从文献计量学的角度对时间序列的新靠前研究进展进行了归纳总结,系统阐述了当前国内外主流时间序列辨识、建模与预测的计算策略和经典算法体系;第二篇介绍了铁路沿线风速混合智能辨识、建模与预测理论方法,包括基于特征提取的GMDH神经网络、长短期记忆深度网络、卷积门限循环单元网络、Boosting集成预测和Stacking集成预测模型;第三篇提供了智慧城市大气污染物浓度的特征分析方法及浓度时间序列建模与预测模型,包括点预测、区间预测、聚类混合预测和时空混合预测等理论;第四篇对金融股票价格时间序列进行特征提取与混合预测,包括贝叶斯统计预测模型、BP/Elman/RBF等神经网络预测模型、CNN/LSTM/BiLSTM等深度网络预测模型。《时间序列混合智能辨识、建模与预测》提供了各类模型的预测实例。
— 没有更多了 —
以下为对购买帮助不大的评价