時(shí)間序列混合智能辨識(shí)、建模與預(yù)測(cè)

目錄
叢書序
前言
第一篇 時(shí)間序列重要性分析
第1章 緒論 3
1.1 概述及研究必要性 3
1.2 時(shí)間序列研究進(jìn)展 3
1.2.1 時(shí)間序列辨識(shí)、建模與預(yù)測(cè)領(lǐng)域研究情況綜述 3
1.2.2 鐵路沿線大風(fēng)風(fēng)速序列分析研究情況綜述 7
1.2.3 大氣污染物濃度序列分析研究情況綜述 8
1.2.4 股票價(jià)格序列分析研究情況綜述 9
1.3 時(shí)間序列分析方法體系 10
1.4 時(shí)間序列分析理論基礎(chǔ) 13
1.4.1 多步預(yù)測(cè)策略 13
1.4.2 時(shí)間序列預(yù)測(cè)精度評(píng)價(jià)指標(biāo) 14
第二篇 鐵路沿線風(fēng)速混合智能辨識(shí)、建模與預(yù)測(cè)
第2章 鐵路風(fēng)速數(shù)據(jù)處理組合算法預(yù)測(cè)模型 19
2.1 引言 19
2.2 原始風(fēng)速數(shù)據(jù) 20
2.3 數(shù)據(jù)處理組合算法模型 21
2.3.1 模型框架 21
2.3.2 理論基礎(chǔ) 22
2.3.3 建模步驟 23
2.3.4 數(shù)據(jù)處理組合算法風(fēng)速預(yù)測(cè)結(jié)果 24
2.4 特征選擇數(shù)據(jù)處理組合算法模型 26
2.4.1 模型框架 26
2.4.2 理論基礎(chǔ) 27
2.4.3 建模步驟 30
2.4.4 不同特征選擇算法對(duì)數(shù)據(jù)處理組合算法模型精度的影響 33
2.5 分解特征選擇數(shù)據(jù)處理組合算法模型 38
2.5.1 模型框架 38
2.5.2 建模步驟 39
2.5.3 不同特征選擇算法對(duì)分解模型精度的影響 47
2.5.4 預(yù)測(cè)精度對(duì)比 53
2.6 模型預(yù)測(cè)精度綜合對(duì)比分析 56
2.6.1 模型預(yù)測(cè)結(jié)果分析 56
2.6.2 預(yù)測(cè)精度對(duì)比分析 56
2.7 本章小結(jié) 58
第3章 鐵路風(fēng)速長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)模型 60
3.1 引言 60
3.2 原始風(fēng)速數(shù)據(jù) 61
3.2.1 建模風(fēng)速序列 61
3.2.2 樣本劃分 61
3.3 長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)模型 62
3.3.1 理論基礎(chǔ) 62
3.3.2 建模步驟 63
3.3.3 長(zhǎng)短期記憶網(wǎng)絡(luò)模型風(fēng)速預(yù)測(cè)結(jié)果 64
3.4 基于不同分解算法的長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)模型 65
3.4.1 模型框架 65
3.4.2 建模步驟 66
3.4.3 不同分解算法對(duì)模型精度的影響 71
3.5 基于誤差建模的不同分解算法預(yù)測(cè)模型 73
3.5.1 模型框架 73
3.5.2 理論基礎(chǔ) 74
3.5.3 建模步驟 76
3.5.4 不同分解算法對(duì)模型精度的影響 79
3.6 模型預(yù)測(cè)精度綜合對(duì)比分析 81
3.6.1 模型預(yù)測(cè)結(jié)果分析 81
3.6.2 預(yù)測(cè)精度對(duì)比分析 83
3.7 本章小結(jié) 84
第4章 鐵路風(fēng)速卷積門限循環(huán)單元預(yù)測(cè)模型 86
4.1 引言 86
4.2 原始風(fēng)速數(shù)據(jù) 87
4.2.1 建模風(fēng)速序列 87
4.2.2 樣本劃分 87
4.3 CNNGRU預(yù)測(cè)模型 88
4.3.1 模型框架 88
4.3.2 理論基礎(chǔ) 88
4.3.3 建模步驟 89
4.3.4 不同深度網(wǎng)絡(luò)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 建模步驟 95
4.4.3 不同深度神經(jīng)網(wǎng)絡(luò)對(duì)模型精度的影響 95
4.5 模型預(yù)測(cè)精度綜合對(duì)比分析 97
4.5.1 模型預(yù)測(cè)結(jié)果分析 97
4.5.2 預(yù)測(cè)精度對(duì)比分析 98
4.6 本章小結(jié) 99
第5章 鐵路風(fēng)速預(yù)測(cè) Boosting集成預(yù)測(cè)模型 101
5.1 引言 101
5.2 原始風(fēng)速數(shù)據(jù) 103
5.2.1 建模風(fēng)速序列 103
5.2.2 風(fēng)速序列劃分 103
5.3 基于 Boosting算法的集成預(yù)測(cè)模型 103
5.3.1 模型框架 103
5.3.2 建模步驟 104
5.3.3 Boosting算法 104
5.4 模型預(yù)測(cè)精度綜合對(duì)比分析 112
5.4.1 模型預(yù)測(cè)結(jié)果 112
5.4.2 預(yù)測(cè)步數(shù)對(duì)模型精度的影響 121
5.4.3 預(yù)測(cè)策略對(duì)模型精度的影響 122
5.4.4 Boosting算法對(duì)模型精度的影響 122
5.5 本章小結(jié) 125
第6章 基于Stacking的鐵路風(fēng)速集成預(yù)測(cè)模型 127
6.1 引言 127
6.2 原始風(fēng)速數(shù)據(jù) 127
6.2.1 建模風(fēng)速序列 127
6.2.2 樣本劃分 128
6.3 Stacking集成算法 128
6.4 Stacking預(yù)測(cè)模型 129
6.4.1 模型框架 129
6.4.2 建模步驟 130
6.4.3 模型預(yù)測(cè)結(jié)果 134
6.4.4 不同Stacking結(jié)構(gòu)對(duì)預(yù)測(cè)精度的影響 137
6.5 Stacking分解預(yù)測(cè)模型 139
6.5.1 模型框架 139
6.5.2 建模過程 140
6.6 模型預(yù)測(cè)精度綜合對(duì)比分析 147
6.6.1 模型預(yù)測(cè)結(jié)果 147
6.6.2 不同Stacking結(jié)構(gòu)對(duì)預(yù)測(cè)精度的影響 150
6.6.3 分解算法對(duì)預(yù)測(cè)精度的影響 152
6.7 本章小結(jié) 153
第三篇 大氣污染物濃度混合智能辨識(shí)、建模與預(yù)測(cè)
第7章 大氣污染物濃度時(shí)間序列特征 157
7.1 大氣污染物濃度分析的重要性 157
7.2 大氣污染物類型 157
7.2.1 一次污染物與二次污染物 157
7.2.2 天然污染物與人為污染物 158
7.2.3 氣態(tài)污染物與氣溶膠態(tài)污染物 158
7.3 大氣污染物濃度評(píng)價(jià)指標(biāo) 159
7.4 不同大氣污染物濃度相關(guān)性分析 160
7.4.1 大氣污染物濃度數(shù)據(jù) 160
7.4.2 不同大氣污染物濃度相關(guān)性研究 162
7.5 大氣污染物濃度季節(jié)性分析 164
7.5.1 大氣污染物濃度數(shù)據(jù) 165
7.5.2 非季節(jié)性污染物濃度時(shí)間序列預(yù)測(cè)模型 166
7.5.3 季節(jié)性污染物濃度時(shí)間序列預(yù)測(cè)模型 169
7.5.4 模型預(yù)測(cè)結(jié)果與精度對(duì)比分析 173
7.6 本章小結(jié) 178
第8章 大氣污染物濃度確定性預(yù)測(cè)模型 179
8.1 引言 179
8.2 大氣污染物濃度數(shù)據(jù) 180
8.2.1 原始污染物濃度時(shí)間序列 180
8.2.2 樣本劃分 181
8.3 不同分解框架下的大氣污染物濃度混合預(yù)測(cè)模型 182
8.3.1 模型框架 182
8.3.2 Elman神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ) 182
8.3.3 建模步驟 183
8.3.4 不同分解算法的預(yù)測(cè)結(jié)果對(duì)比分析 183
8.3.5 不同分解參數(shù)的預(yù)測(cè)結(jié)果對(duì)比分析 188
8.4 基于不同預(yù)測(cè)器的大氣污染物濃度混合預(yù)測(cè)模型 191
8.4.1 模型框架 191
8.4.2 理論基礎(chǔ) 191
8.4.3 建模步驟 193
8.4.4 分解算法對(duì)不同預(yù)測(cè)器的預(yù)測(cè)精度影響分析 193
8.4.5 不同預(yù)測(cè)器預(yù)測(cè)結(jié)果對(duì)比分析 195
8.5 模型性能綜合對(duì)比分析 197
8.5.1 最優(yōu)模型預(yù)測(cè)結(jié)果 197
8.5.2 最優(yōu)模型預(yù)測(cè)精度對(duì)比分析 199
8.6 本章小結(jié) 201
第9章 大氣污染物濃度不確定性區(qū)間預(yù)測(cè)模型 202
9.1 引言 202
9.2 大氣污染物濃度數(shù)據(jù) 203
9.2.1 原始污染物濃度時(shí)間序列 203
9.2.2 樣本劃分 204
9.3 模型總體框架 205
9.4 SVM確定性預(yù)測(cè)模型 206
9.5 SVM-KDE區(qū)間預(yù)測(cè)模型 207
9.5.1 理論基礎(chǔ) 207
9.5.2 模型預(yù)測(cè)結(jié)果 208
9.6 SVM-ARCH區(qū)間預(yù)測(cè)模型 212
9.6.1 理論基礎(chǔ) 212
9.6.2 模型預(yù)測(cè)結(jié)果 213
9.7 SVM-GARCH區(qū)間預(yù)測(cè)模型 218
9.7.1 理論基礎(chǔ) 218
9.7.2 模型預(yù)測(cè)結(jié)果 218
9.8 WPD-區(qū)間預(yù)測(cè)混合模型 223
9.8.1 混合模型框架 223
9.8.2 建模過程 224
9.8.3 模型預(yù)測(cè)結(jié)果 224
9.9 模型性能綜合對(duì)比分析 232
9.9.1 不同區(qū)間預(yù)測(cè)模型對(duì)比 232
9.9.2 含分解混合模型與無(wú)分解模型對(duì)比 235
9.10 本章小結(jié) 237
第10章 大氣污染物濃度聚類混合預(yù)測(cè)模型 239
10.1 引言 239
10.2 大氣污染物濃度數(shù)據(jù) 240
10.2.1 原始污染物濃度時(shí)間序列 240
10.2.2 樣本劃分 240
10.3 模型總體框架 242
10.4 BFGS 確定性預(yù)測(cè)模型 244
10.5 聚類內(nèi)部評(píng)價(jià)指標(biāo) 245
10.5.1 理論基礎(chǔ) 245
10.5.2 評(píng)價(jià)指標(biāo) 246
10.6 K-均值-BFGS 混合預(yù)測(cè)模型 247
10.6.1 理論基礎(chǔ) 247
10.6.2 模型預(yù)測(cè)結(jié)果 248
10.7 FCM-BFGS 混合預(yù)測(cè)模型 254
10.7.1 理論基礎(chǔ) 254
10.7.2 模型預(yù)測(cè)結(jié)果 255
10.8 K-medoids-BFGS 混合預(yù)測(cè)模型 261
10.8.1 理論基礎(chǔ) 261
10.8.2 模型預(yù)測(cè)結(jié)果 261
10.9 模型性能綜合對(duì)比分析 267
10.10 本章小結(jié) 269
第11章 大氣污染物濃度時(shí)空混合預(yù)測(cè)模型 271
11.1 引言 271
11.2 大氣污染物濃度數(shù)據(jù) 272
11.2.1 原始污染物濃度時(shí)間序列 272
11.2.2 樣本劃分 274
11.3 不同站點(diǎn)PM2.5濃度相關(guān)性分析 275
11.4 大氣污染物濃度 ELM 時(shí)空混合預(yù)測(cè)模型 276
11.4.1 模型框架 276
11.4.2 ELM 理論基礎(chǔ) 276
11.4.3 建模步驟 277
11.4.4 相關(guān)系數(shù)修正的PM2.5濃度時(shí)空混合預(yù)測(cè)模型 277
11.4.5 融合目標(biāo)監(jiān)測(cè)點(diǎn)數(shù)據(jù)修正的PM2.5濃度時(shí)空混合預(yù)測(cè)模型 281
11.4.6 不同輸入順序的PM2.5濃度時(shí)空混合預(yù)測(cè)模型 284
11.5 模型性能綜合對(duì)比分析 287
11.6 本章小結(jié) 288
第四篇 金融股票時(shí)間序列混合智能辨識(shí)、建模與預(yù)測(cè)
第12章 金融股票時(shí)間序列 291
12.1 金融股票時(shí)間序列分析的重要性 291
12.2 我國(guó)股票指數(shù) 291
12.2.1 中證指數(shù)有限公司股票價(jià)格指數(shù) 292
12.2.2 上海證券交易所股票價(jià)格指數(shù) 292
12.2.3 深圳