{正版现货新书} 时间序列预测智能技术 9787111799832 田中大，郝得智，王激扬编著

全新正版现货，以书名为准，放心购买，购书咨询18515909251朱老师

62.75 6.3折 99 全新

库存29件

北京丰台

作者田中大，郝得智，王激扬编著

出版社机械工业出版社

ISBN9787111799832

出版时间2026-02

装帧平装

开本26cm

定价99元

货号200214593

上书时间2026-03-26

商品详情

品相描述：全新

商品描述: 作者简介

目录
前言

第1章绪论

1.1时间序列的相关基本概念

1.1.1时间序列

1.1.2时间序列的分类

1.1.3时间序列预测

1.1.4时间序列建模

1.2时间序列预测的意义

1.3时间序列预测研究现状

1.3.1统计学习模型

1.3.2机器学习模型

1.3.3深度学习模型

1.3.4组合模型

1.4时间序列预测的评价指标

1.4.1误差指标

1.4.2统计指标

1.4.3复杂度指标

本章参考文献

第2章时间序列数据处理

2.1数据缺失值处理

2.2数据异常值处理

2.3标准化

2.4数据去噪

2.4.1移动平均法去噪

2.4.2自适应滤波去噪

2.4.3小波去噪

2.5数据降维

2.5.1主成分分析

2.5.2核主成分分析

2.5.3奇异值分解

2.5.4独立成分分析

2.5.5线性判别分析

2.6本章小结

本章参考文献

第3章时间序列特性分析

3.1时间序列常见特性

3.1.1平稳性与白噪声特性

3.1.2能量-频率分布特性

3.1.3长/短相关性

3.1.4自相似性

3.1.5混沌特性

3.1.6吸引子/分形特性

3.1.7相空间分布/最大可预测步长特性

3.1.8随机特性

3.2案例研究

3.2.1数据集

3.2.2平稳性与白噪声判断

3.2.3功率谱密度特性

3.2.4自相关函数分析

3.2.5概率分布

3.2.6Hurst指数分析

3.2.7混沌特性分析

3.2.8关联维数特性

3.2.9可预测性分析

3.2.10Kolmogorov熵

3.2.11递归图与信息熵

3.3本章小结

本章参考文献

第4章基于传统统计学的时间序列预测智能技术

4.1相关概念

4.1.1时间序列特点

4.1.2时间序列分解

4.1.3平稳性检验

4.1.4白噪声检验

4.2ARMA模型

4.2.1基本原理

4.2.2验证与分析

4.3ARIMA模型

4.3.1基本原理

4.3.2验证与分析

4.4SARIMA模型

4.4.1基本原理

4.4.2验证与分析

4.5本章小结

本章参考文献

第5章基于神经网络的时间序列预测智能技术

5.1基于ESN的时间序列预测

5.1.1引言

5.1.2ESN基本原理

5.1.3ESN预测流程

5.1.4WOA优化的ESN预测模型

5.1.5案例研究

5.2基于SCNs的时间序列预测

5.2.1引言

5.2.2SCNs基本原理

5.2.3SCNs改进研究——基于QR分解的快速SCNs（FSCNs）

5.3本章小结

本章参考文献

第6章基于深度学习的时间序列预测智能技术

6.1深度学习在时间序列预测中的研究现状

6.2CNN模型

6.2.1基本原理

6.2.2AM原理

6.2.3SEAM-CNN模型

6.2.4案例研究

6.3LSTM模型

6.3.1基本原理

6.3.2案例研究

6.4Bi-LSTM模型

6.4.1基本原理

6.4.2案例研究

6.5TCN模型

6.5.1基本原理

6.5.2案例研究

6.6GRU模型

6.6.1基本原理

6.6.2案例研究

6.7本章小结

本章参考文献

第7章基于LSSVM的时间序列预测智能技术

7.1LSSVM预测模型

7.1.1LSSVM基本原理

7.1.2核函数与参数选取

7.1.3LSSVM预测流程

7.1.4LSSVM的参数对于性能的影响

7.2LSSVM改进研究

7.2.1超参数优化研究

7.2.2鲁棒性研究

7.2.3稀疏性研究

7.2.4核函数研究

7.2.5增量学习

7.3案例研究——IGWO-LSSVM模型

7.3.1IGWO算法原理

7.3.2IGWO算法性能测试

7.3.3IGWO-LSSVM模型实现过程

7.3.4验证与分析

7.4本章小结

本章参考文献

第8章基于线性/非线性集成的时间序列预测智能技术

8.1时间序列的线性/非线性判定

8.2案例研究1——GPR补偿ARIMA模型

8.2.1网络流量线性/非线性判定

8.2.2ABC优化的GPR模型

8.2.3结果与分析

8.3案例研究2——ARIMA补偿ELM

8.3.1模型实现

8.3.2结果与分析

8.4本章小结

本章参考文献

第9章基于多模型加权的时间序列预测智能技术

9.1最佳权重确定方法

9.1.1非最优权重确定方法

9.1.2最优权重确定方法

9.2案例研究1——基于高斯-马尔可夫的多模型加权模型

9.2.1引言

9.2.2相关模型与算法

9.2.3模型结构

9.2.4验证与分析

9.3案例研究2——基于误差最小化的多模型加权模型

9.3.1引言

9.3.2相关模型与算法

9.3.3模型结构

9.3.4验证与分析

9.4本章小结

本章参考文献

第10章基于分解算法的时间序列预测智能技术

10.1常见的时间序列分解算法

10.1.1经验模式分解算法

10.1.2集成经验模态分解算法

10.1.3互补集合经验模态分解算法

10.1.4完全自适应噪声集合经验模态分解算法

10.1.5变分模态分解算法

10.1.6局部均值分解算法

10.1.7经验小波变换算法

10.2案例研究1——基于LMD的网络流量组合预测模型

10.2.1引言

10.2.2贝叶斯优化算法

10.2.3模型结构

10.2.4验证与分析

10.3案例研究2——基于EWT分解与重构的超短期风速组合预测模型

10.3.1引言

10.3.2相关算法

10.3.3模型结构

10.3.4验证与分析

10.4本章小结

本章参考文献

第11章基于降维的时间序列预测智能技术

11.1时间序列降维的目的

11.2KPCA降维

11.2.1KPCA的基本概念

11.2.2KPCA的数学模型

11.3ESN网络

11.3.1ESN的数学模型

11.3.2ESN的储备池参数

11.3.3ESN训练过程

11.4改进灰狼算法优化的ESN

11.4.1GWO算法基本原理

11.4.2IGWO算法

11.4.3IGWO算法优化ESN模型

11.5基于KPCA的多元时间序列预测模型

11.6案例研究

11.6.1性能指标

11.6.2AQI预测

11.6.3股市收盘价预测

11.7本章小结

本章参考文献

第12章用于软测量的时间序列预测智能技术

12.1软测量技术

12.2基于智能技术的软测量

12.3案例研究——回转窑煅烧带温度的软测量

12.3.1引言

12.3.2软测量模型

12.3.3验证与分析

12.4本章小结

本章参考文献

第13章展望

13.1研究展望

13.1.1数据预处理

13.1.2模型修正

13.1.3并行计算

13.1.4不同应用场景的自适应学习

13.1.5基于迁移学习的建模

13.1.6多任务学习建模

13.1.7基于大数据的时间序列建模与预测

13.2本章小结

本章参考文献

内容摘要
近年来，随着人工智能理论与技术的发展，一些新的神经网络、机器学习以及深度学习算法被应用于时间序列的预测之中，这些算法或模型能从多尺度的深层特征中探索数据内部之间的关联，从而更好地展示出时间序列的非线性和复杂动态。本书介绍了时间序列的智能辨识、建模与预测的理论和方法, 并用实际数据进行了实证分析。全书共13章，主要内容包括时间序列的基本概念与数据处理；时间序列特性分析；基于传统统计学、神经网络、深度学习、LSSVM的各类单一预测模型；基于线性/非线性集成、多模型加权以及基于分解算法的组合预测模型；时间序列降维与软测量；时间序列预测智能技术在实际应用中的展望。
本书可供人工智能、控制科学与工程、计算机科学与技术、仪器科学与技术等相关专业的研究者、科研人员和工程技术人员及高等院校相关专业师生阅读参考。

主编推荐

精彩内容
近年来，随着人工智能理论与技术的发展，一些新的神经网络、机器学习以及深度学习算法被应用于时间序列的预测之中，这些算法或模型能从多尺度的深层特征中探索数据内部之间的关联，从而更好地展示出时间序列的非线性和复杂动态。本书介绍了时间序列的智能辨识、建模与预测的理论和方法, 并用实际数据进行了实证分析。全书共13章，主要内容包括时间序列的基本概念与数据处理；时间序列特性分析；基于传统统计学、神经网络、深度学习、LSSVM的各类单一预测模型；基于线性/非线性集成、多模型加权以及基于分解算法的组合预测模型；时间序列降维与软测量；时间序列预测智能技术在实际应用中的展望。

本书可供人工智能、控制科学与工程、计算机科学与技术、仪器科学与技术等相关专业的研究者、科研人员和工程技术人员及高等院校相关专业师生阅读参考。