基于變權(quán)重的組合預(yù)測方法理論與應(yīng)用

第1章 緒論
1．1 預(yù)測及預(yù)測方法的發(fā)展與現(xiàn)狀
1．1．1 依性質(zhì)分類的預(yù)測方法
1．1．2 依周期分類的預(yù)測方法
1．1．3 依其他因素分類的預(yù)測方法
1．2 時間序列的預(yù)測及預(yù)測方法分類
1．3 預(yù)測評估
1．4 集合預(yù)測
1．5 組合預(yù)測
1．5．1 組合預(yù)測模型的分類
1．5．2 組合預(yù)測的現(xiàn)狀
1．5．3 組合模型中單項模型選擇方法的發(fā)展與現(xiàn)狀
1．6 本書的研究內(nèi)容
第2章 組合模型中子模型的選擇方法
2．1 ．預(yù)測冗余信息的存在性及其判定
2．2 信息理論及其在模型選擇中的應(yīng)用
2．2．1 預(yù)備知識
2．2．2 信息在特征選擇中的應(yīng)用
2．2．3 鄰域互信息在最優(yōu)子集選擇中的應(yīng)用
2．3 本章提出的子模型選擇算法
2．3．1 本章提出的最優(yōu)子模型選擇方法中參數(shù)6的選取
2．3．2 本章提出的基于NMI-MRMR子模型選擇算法的組合模型
2．3．3 本章采用的組合方法
2．4 本章提出的模型在時間序列分析中的應(yīng)用
2．4．1 實驗數(shù)據(jù)和預(yù)測模型的設(shè)定
2．4．2 實例模擬結(jié)果與分析
2．5 本章小結(jié)
第3章 基于人工智能算法和無非負限卷Il的最優(yōu)組合模型
3．I基于合作對策模式的組合模型權(quán)重分配
3．2 基于合作對策模式的最優(yōu)傳統(tǒng)組合模型
3．3 基于無非負限制的組合模型（TCM-NNCT}算法
3．3．1 預(yù)備知識
3．3．2 CPSO一-CM-NNCT模型
3．3．3 GA——CM-NNCT模型
3．4 本章提出的模型在時間序列分析中的應(yīng)用
3．4．1 數(shù)據(jù)來源及數(shù)據(jù)收集
3．4．2 數(shù)據(jù)處理
3．4．3 預(yù)測模型設(shè)計
3．4．4 模型評價指標
3．4．5 風速數(shù)據(jù)實驗結(jié)果及分析
3．4．6 電價數(shù)據(jù)實驗結(jié)果及分析
3．5 本章小結(jié)
第4章 基于Adaboost算法的組合在線學習策略
4．1 預(yù)備知識
4．1．1 PAC學習和學習函數(shù)的變型空間
4．1．2 學習函數(shù)的學習能力
4．1．3 學習函數(shù)的泛化能力
4．1．4 感知器及其收斂定理
4．2 基于不同策略的在線分配問題
4．2 ．l Boosting算法
4．2．2 經(jīng)典的Adab。ost算法及誤差收斂性定理
4．3 基于誤差和時變權(quán)重的Adaboost組合算法
4．3．1 時間序列中的概念漂移
4．3．2 預(yù)測有效度函數(shù)
4．3．3 TW．FE-Adaboost組合算法
4．4本章提出的算法在風速時間序列中的應(yīng)用
4．4．1 數(shù)據(jù)收集及實驗設(shè)置
4．4．2 實驗結(jié)果分析
4．5 本章小結(jié)
第5章 結(jié)論與展望
參考文獻