全新时间序列混合智能辨识、建模与预测刘辉9787030645982

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.. 大气污染物浓度序列分析研究情况综述 8
1.2.4 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
. 数据处理组合算法模型 21
..1 模型框架 21
..2 理论基础 22
.. 建模步骤
..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 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.. 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 模型预测结果 197
8.5.2 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 模型总体框架 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 2
9.8.1 混合模型框架 2
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 2
9.9.1 不同区间预测模型对比 2
9.9.2 含分解混合模型与无分解模型对比 5
9.10 本章小结
0章 大气污染物浓度聚类混合预测模型
10.1 引言
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 金融时间序列混合智能辨识、建模与预测
2章 金融时间序列 291
12.1 金融时间序列分析的重要 291
12.2 我国指数 291
12.2.1 中指数有限公司价格指数 292
12.2.2 上海券交易所价格指数 292
……