全新正版预测模型的优化及应用9787504697905
正版书籍，放心下单。绝大部分是新书，个别品相折痕的，我们会主动联系哦
￥ 32.59 5.5折 ￥ 59 全新
库存18件
河北保定
认证卖家担保交易快速发货售后保障
作者吴洁
出版社中国科学技术出版社
ISBN9787504697905
出版时间2023-03
装帧平装
开本其他
定价59元
货号L9787504697905
上书时间2024-07-08
- 在售商品 暂无
- 平均发货时间 12小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
商品简介
本书主要介绍一些预测模型的优化策略及实际应用案例。全书共分为7章,大致分为3个部分：第1部分(第1～2章)介绍预测的基础及数据预处理方法，其中第1章介绍预测的基础知识，第2章介绍时间序列中缺失数据的处理方法； 第2部分(第3～5章)介绍一些时间序列预测模型的优化方法及应用，包括基于时间序列分解模式的指数平滑时间序列预测模型和、基于时间序列分解模式的神经网络预测模型和基于相关分析和假设检验的GRU神经网络预测优化模型；第3部分(第6章)介绍时间序列拟合预测模型的优化方法，内容涉及基于人工智能参数估计方法的 Weibull 分布模型。每章都附有实际应用案例，以便让读者更好地理解相关预测模型，并对优化效果有更深刻的感知。
作者简介:
吴洁，2015年于兰州大学获得理学博士学位，同年进入西北民族大学任职，现任数学与计算机科学学院副教授。主持国家自然科学基金、中央高校科研项目、引进人才项目等3项，发表SCI及EI检索论文20余篇，其中含高被引论文1篇。作为指导教师，指导学生参加全国大学生数学建模竞赛，获甘肃省特等奖和二等奖各一项。
目录:
前 言 I
第 1 章 绪论 1
1.1 预测概述
1.1.1 预测的定义
1.1.2 预测的原则
1.1.3 预测的步骤
1.2 时间序列的预测概述
1.2.1 时间序列的定义
1.2.2 时间序列的预测
1.2.3 时间序列预测模型的分类
1.2.3.1 单一预测模型
1.2.3.2 混合预测模型
1.2.3.3 组合预测模型
1.2.4 时间序列预测误差评判准则
1.3 特殊时间序列—频率的拟合预测概述
1.3.1 频率
1.3.2 拟合预测
1.3.3 针对频率的拟合预测概率分布
1.3.4 针对频率的拟合预测误差评判准则
1.4 预测模型优化的必要性
1.5 参考文献
第 2 章 人工智能参数优化算法 15
2.1 粒子群优化算法
2.1.1 基本的 PSO 算法
2.1.2 自适应参数 PSO 算法
2.1.3 量子行为的 PSO 算法
2.2 微分进化算法
2.2.1 突变操作模型
2.2.2 交叉操作模型
2.2.3 选择操作模型
2.3 布谷鸟搜寻算法
2.3.1 布谷鸟行为及假设
2.3.2 L´evy 飞行及 L´evy 分布
2.3.3 与 L´evy 飞行有关的布谷鸟搜寻算法
2.3.4 L´evy 飞行的具体实施
2.4 参考文献
第 3 章 缺失数据预测优化填充 25
3.1 频谱分析
3.1.1 周期图
3.1.2 加窗谱估计
3.1.2.1 Parzen 窗
3.1.2.2 Tukey 窗
3.2 LSTM 网络
3.3 缺失数据预测填充策略
3.3.1 正向周期预测填充
3.3.2 逆向周期预测填充
3.3.3 序列预测填充
3.3.4 组合预测填充
3.4 应用案例
3.4.1 频谱分析结果
3.4.2 缺失数据填充预测模型的实现
3.4.2.1 SPF 模型
3.4.2.2 FPPF 模型
3.4.2.3 IPPF 模型
3.4.3 缺失数据预测填充结果
3.5 阅读材料
3.6 参考文献
第 4 章 指数平滑预测优化模型及其应用 37
4.1 乘法分解模式
4.2 季节项的建模求解
4.3 趋势项的指数平滑预测模型
4.3.1 一阶自适应系数预测模型
4.3.1.1 一次滑动平均预测模型
4.3.1.2 一次指数平滑预测模型
4.3.1.3 一阶自适应系数预测模型
4.3.2 二阶自适应系数预测模型
4.3.2.1 二次滑动平均预测模型
4.3.2.2 二次指数平滑预测模型
4.3.2.3 二阶自适应系数预测模型
4.4 指数平滑预测优化模型
4.4.1 PFAC 模型
4.4.2 PSAC 模型
4.4.3 SPFAC 模型
4.4.4 SPSAC 模型
4.5 实例应用
4.5.1 实例数据
4.5.2 损失函数
4.5.3 模型误差模拟分析
4.6 阅读材料
4.7 参考文献
第 5 章 BP 神经网络预测优化模型及其应用 65
5.1 加法分解模式
5.2 BP 神经网络预测模型
5.2.1 前向传播原理
5.2.2 反向传播原理
5.2.3 反向传播神经网络算法
5.3 BP 神经网络预测优化模型
5.4 实例应用
5.5 阅读材料
5.6 参考文献
第 6 章 GRU 神经网络预测优化模型及其应用 83
6.1 相关分析
6.1.1 Pearson 相关系数
6.1.2 偏相关系数
6.1.3 自相关分析
6.1.4 偏自相关分析
6.1.5 Z大信息系数
6.2 假设检验
6.2.1 ? 检验
6.2.2 Friedman 检验
6.2.3 Nemenyi 检验
6.3 GRU 神经网络
6.4 GRU 神经网络预测优化模型
6.5 实例应用
6.5.1 实例数据
6.5.2 数据清洗
6.5.3 输入变量的选择
6.5.4 超参数的确定
6.5.5 实验设计
6.5.6 数据生成器结果分析和比较
6.5.7 统一预测范围后的结果对比
6.5.8 其他应用实例
6.5.9 与其他模型的预测精度对比
6.6 阅读材料
6.7 参考文献
第 7 章 Weibull 分布拟合预测优化模型及其应用 113
7.1 Weibull 分布
7.1.1 双参 Weibull 分布
7.1.2 双侧 Weibull 分布
7.2 其他分布
7.2.1 Logistic 分布
7.2.2 Lognormal 分布
7.3 损失函数
7.3.1 基于极大似然估计的损失函数
7.3.2 基于矩估计的损失函数
7.3.3 新损失函数
7.4 Weibull 分布拟合预测优化
7.5 实例应用
7.5.1 实例数据
7.5.2 实例模拟流程
7.5.3 形状参数估计结果
7.5.3.1 粒子群优化算法的估计结果
7.5.3.2 微分进化算法的估计结果
7.5.3.3 Z优参数估计结果
7.5.4 概率分布拟合结果
7.6 阅读材料
7.7 参考文献
第 8 章 双侧截尾正态分布拟合预测优化模型及其应用 137
8.1 双侧截尾正态分布
8.1.1 一元正态分布
8.1.2 多元正态分布
8.1.3 截尾正态分布
8.1.3.1 截尾分布构造理论
8.1.3.2 双侧截尾正态分布
8.2 拟合预测精度
8.2.1 截尾正态分布拟合预测精度浅析
8.2.2 拟合预测精度衡量准则
8.2.3 连续分级概率评分
8.2.3.1 连续分级概率评分的解析表达式
8.2.3.2 截尾正态分布的连续分级概率评分
8.3 参数估计方法
8.3.1 截尾点参数估计方法
8.3.2 损失函数
8.4 双侧截尾正态分布拟合预测优化及其异常值检测应用
8.5 实例应用
8.5.1 实例数据
8.5.2 初始化参数选择
8.5.3 不同标准化区间对模型的影响
8.5.4 Z终异常值检测结果
8.6 阅读材料
8.7 参考文献
作者简介
吴洁，2015年于兰州大学获得理学博士学位，同年进入西北民族大学任职，现任数学与计算机科学学院副教授。主持国家自然科学基金、中央高校科研项目、引进人才项目等3项，发表SCI及EI检索论文20余篇，其中含高被引论文1篇。作为指导教师，指导学生参加全国大学生数学建模竞赛，获甘肃省特等奖和二等奖各一项。
目录
前 言 I第 1 章 绪论 11.1 预测概述1.1.1 预测的定义1.1.2 预测的原则1.1.3 预测的步骤1.2 时间序列的预测概述1.2.1 时间序列的定义1.2.2 时间序列的预测1.2.3 时间序列预测模型的分类1.2.3.1 单一预测模型1.2.3.2 混合预测模型1.2.3.3 组合预测模型1.2.4 时间序列预测误差评判准则 1.3 特殊时间序列—频率的拟合预测概述1.3.1 频率1.3.2 拟合预测1.3.3 针对频率的拟合预测概率分布1.3.4 针对频率的拟合预测误差评判准则1.4 预测模型优化的必要性1.5 参考文献第 2 章 人工智能参数优化算法 152.1 粒子群优化算法2.1.1 基本的 PSO 算法2.1.2 自适应参数 PSO 算法2.1.3 量子行为的 PSO 算法2.2 微分进化算法2.2.1 突变操作模型2.2.2 交叉操作模型2.2.3 选择操作模型2.3 布谷鸟搜寻算法2.3.1 布谷鸟行为及假设2.3.2 L´evy 飞行及 L´evy 分布2.3.3 与 L´evy 飞行有关的布谷鸟搜寻算法2.3.4 L´evy 飞行的具体实施2.4 参考文献第 3 章 缺失数据预测优化填充 253.1 频谱分析3.1.1 周期图3.1.2 加窗谱估计3.1.2.1 Parzen 窗3.1.2.2 Tukey 窗3.2 LSTM 网络3.3 缺失数据预测填充策略3.3.1 正向周期预测填充3.3.2 逆向周期预测填充3.3.3 序列预测填充3.3.4 组合预测填充3.4 应用案例3.4.1 频谱分析结果3.4.2 缺失数据填充预测模型的实现3.4.2.1 SPF 模型3.4.2.2 FPPF 模型 3.4.2.3 IPPF 模型3.4.3 缺失数据预测填充结果 3.5 阅读材料3.6 参考文献第 4 章 指数平滑预测优化模型及其应用 374.1 乘法分解模式4.2 季节项的建模求解4.3 趋势项的指数平滑预测模型4.3.1 一阶自适应系数预测模型4.3.1.1 一次滑动平均预测模型4.3.1.2 一次指数平滑预测模型4.3.1.3 一阶自适应系数预测模型4.3.2 二阶自适应系数预测模型4.3.2.1 二次滑动平均预测模型4.3.2.2 二次指数平滑预测模型4.3.2.3 二阶自适应系数预测模型4.4 指数平滑预测优化模型4.4.1 PFAC 模型4.4.2 PSAC 模型 4.4.3 SPFAC 模型4.4.4 SPSAC 模型4.5 实例应用 4.5.1 实例数据4.5.2 损失函数4.5.3 模型误差模拟分析4.6 阅读材料4.7 参考文献第 5 章 BP 神经网络预测优化模型及其应用 655.1 加法分解模式5.2 BP 神经网络预测模型5.2.1 前向传播原理5.2.2 反向传播原理5.2.3 反向传播神经网络算法5.3 BP 神经网络预测优化模型5.4 实例应用5.5 阅读材料 5.6 参考文献第 6 章 GRU 神经网络预测优化模型及其应用 836.1 相关分析6.1.1 Pearson 相关系数6.1.2 偏相关系数6.1.3 自相关分析 6.1.4 偏自相关分析 6.1.5 优选信息系数6.2 假设检验 6.2.1 检验6.2.2 Friedman 检验6.2.3 Nemenyi 检验6.3 GRU 神经网络6.4 GRU 神经网络预测优化模型 6.5 实例应用6.5.1 实例数据6.5.2 数据清洗 6.5.3 输入变量的选择 6.5.4 超参数的确定6.5.5 实验设计6.5.6 数据生成器结果分析和比较6.5.7 统一预测范围后的结果对比 6.5.8 其他应用实例6.5.9 与其他模型的预测精度对比 6.6 阅读材料6.7 参考文献第 7 章 Weibull 分布拟合预测优化模型及其应用 1137.1 Weibull 分布 7.1.1 双参 Weibull 分布7.1.2 双侧 Weibull 分布 7.2 其他分布7.2.1 Logistic 分布7.2.2 Lognormal 分布7.3 损失函数7.3.1 基于极大似然估计的损失函数7.3.2 基于矩估计的损失函数7.3.3 新损失函数7.4 Weibull 分布拟合预测优化7.5 实例应用7.5.1 实例数据7.5.2 实例模拟流程7.5.3 形状参数估计结果7.5.3.1 粒子群优化算法的估计结果7.5.3.2 微分进化算法的估计结果7.5.3.3 很优参数估计结果7.5.4 概率分布拟合结果7.6 阅读材料 7.7 参考文献第 8 章 双侧截尾正态分布拟合预测优化模型及其应用 1378.1 双侧截尾正态分布8.1.1 一元正态分布8.1.2 多元正态分布8.1.3 截尾正态分布8.1.3.1 截尾分布构造理论8.1.3.2 双侧截尾正态分布8.2 拟合预测精度8.2.1 截尾正态分布拟合预测精度浅析8.2.2 拟合预测精度衡量准则8.2.3 连续分级概率评分8.2.3.1 连续分级概率评分的解析表达式8.2.3.2 截尾正态分布的连续分级概率评分8.3 参数估计方法8.3.1 截尾点参数估计方法8.3.2 损失函数8.4 双侧截尾正态分布拟合预测优化及其异常值检测应用8.5 实例应用8.5.1 实例数据8.5.2 初始化参数选择8.5.3 不同标准化区间对模型的影响8.5.4 最终异常值检测结果8.6 阅读材料8.7 参考文献
内容摘要
本书主要介绍一些预测模型的优化策略及实际应用案例。全书共分为7章,大致分为3个部分：第1部分(第1～2章)介绍预测的基础及数据预处理方法，其中第1章介绍预测的基础知识，第2章介绍时间序列中缺失数据的处理方法； 第2部分(第3～5章)介绍一些时间序列预测模型的优化方法及应用，包括基于时间序列分解模式的指数平滑时间序列预测模型和、基于时间序列分解模式的神经网络预测模型和基于相关分析和假设检验的GRU神经网络预测优化模型；第3部分(第6章)介绍时间序列拟合预测模型的优化方法，内容涉及基于人工智能参数估计方法的 Weibull 分布模型。每章都附有实际应用案例，以便让读者更好地理解相关预测模型，并对优化效果有更深刻的感知。
— 没有更多了 —
以下为对购买帮助不大的评价