《時間序列混合智慧型辨識、建模與預測》是科學出版社出版的圖書，作者是劉輝。
基本介紹
- 中文名：時間序列混合智慧型辨識、建模與預測
- 作者：劉輝
- 出版社：科學出版社
- ISBN：9787030645982
內容簡介,圖書目錄,
內容簡介
本書提出了時間序列混合智慧型辨識、建模與預測的理論和方法。內容分四篇共16章。第一篇闡述了時間序列分析的重要性，從文獻計量學的角度對時間序列的最新國際研究進展進行了歸納總結，系統闡述了當前國內外主流時間序列辨識、建模與預測的計算策略和經典算法體系；第二篇介紹了鐵路沿線風速混合智慧型辨識、建模與預測理論方法，包括基於特徵提取的GMDH神經網路、長短期記憶深度網路、卷積門限循環單元網路、Boosting集成預測和Stacking集成預測模型；第三篇提供了智慧城市大氣污染物濃度的特徵分析方法及濃度時間序列建模與預測模型，包括點預測、區間預測、聚類混合預測和時空混合預測等理論；第四篇對金融股票價格時間序列進行特徵提取與混合預測，包括貝葉斯統計預測模型、BP/Elman/RBF等神經網路預測模型、CNN/LSTM/BiLSTM等深度網路預測模型。本書提供了各類模型的預測實例。
圖書目錄
叢書序
前言
第一篇 時間序列重要性分析
第1章 緒論 3
1.1 概述及研究必要性 3
1.2 時間序列研究進展 3
1.2.1 時間序列辨識、建模與預測領域研究情況綜述 3
1.2.2 鐵路沿線大風風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 股票價格序列分析研究情況綜述 9
1.3 時間序列分析方法體系 10
1.4 時間序列分析理論基礎 13
1.4.1 多步預測策略 13
1.4.2 時間序列預測精度評價指標 14
第二篇 鐵路沿線風速混合智慧型辨識、建模與預測
第2章 鐵路風速數據處理組合算法預測模型 19
2.1 引言 19
2.2 原始風速數據 20
2.3 數據處理組合算法模型 21
2.3.1 模型框架 21
2.3.2 理論基礎 22
2.3.3 建模步驟 23
2.3.4 數據處理組合算法風速預測結果 24
2.4 特徵選擇數據處理組合算法模型 26
2.4.1 模型框架 26
2.4.2 理論基礎 27
2.4.3 建模步驟 30
2.4.4 不同特徵選擇算法對數據處理組合算法模型精度的影響 33
2.5 分解特徵選擇數據處理組合算法模型 38
2.5.1 模型框架 38
2.5.2 建模步驟 39
2.5.3 不同特徵選擇算法對分解模型精度的影響 47
2.5.4 預測精度對比 53
2.6 模型預測精度綜合對比分析 56
2.6.1 模型預測結果分析 56
2.6.2 預測精度對比分析 56
2.7 本章小結 58
第3章 鐵路風速長短期記憶網路預測模型 60
3.1 引言 60
3.2 原始風速數據 61
3.2.1 建模風速序列 61
3.2.2 樣本劃分 61
3.3 長短期記憶網路預測模型 62
3.3.1 理論基礎 62
3.3.2 建模步驟 63
3.3.3 長短期記憶網路模型風速預測結果 64
3.4 基於不同分解算法的長短期記憶網路預測模型 65
3.4.1 模型框架 65
3.4.2 建模步驟 66
3.4.3 不同分解算法對模型精度的影響 71
3.5 基於誤差建模的不同分解算法預測模型 73
3.5.1 模型框架 73
3.5.2 理論基礎 74
3.5.3 建模步驟 76
3.5.4 不同分解算法對模型精度的影響 79
3.6 模型預測精度綜合對比分析 81
3.6.1 模型預測結果分析 81
3.6.2 預測精度對比分析 83
3.7 本章小結 84
第4章 鐵路風速卷積門限循環單元預測模型 86
4.1 引言 86
4.2 原始風速數據 87
4.2.1 建模風速序列 87
4.2.2 樣本劃分 87
4.3 CNNGRU預測模型 88
4.3.1 模型框架 88
4.3.2 理論基礎 88
4.3.3 建模步驟 89
4.3.4 不同深度網路模型精度分析 91
4.4 基於SSA的CNNGRU 94
4.4.1 模型框架 94
4.4.2 建模步驟 95
4.4.3 不同深度神經網路對模型精度的影響 95
4.5 模型預測精度綜合對比分析 97
4.5.1 模型預測結果分析 97
4.5.2 預測精度對比分析 98
4.6 本章小結 99
第5章 鐵路風速預測 Boosting集成預測模型 101
5.1 引言 101
5.2 原始風速數據 103
5.2.1 建模風速序列 103
5.2.2 風速序列劃分 103
5.3 基於 Boosting算法的集成預測模型 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 模型預測精度綜合對比分析 112
5.4.1 模型預測結果 112
5.4.2 預測步數對模型精度的影響 121
5.4.3 預測策略對模型精度的影響 122
5.4.4 Boosting算法對模型精度的影響 122
5.5 本章小結 125
第6章 基於Stacking的鐵路風速集成預測模型 127
6.1 引言 127
6.2 原始風速數據 127
6.2.1 建模風速序列 127
6.2.2 樣本劃分 128
6.3 Stacking集成算法 128
6.4 Stacking預測模型 129
6.4.1 模型框架 129
6.4.2 建模步驟 130
6.4.3 模型預測結果 134
6.4.4 不同Stacking結構對預測精度的影響 137
6.5 Stacking分解預測模型 139
6.5.1 模型框架 139
6.5.2 建模過程 140
6.6 模型預測精度綜合對比分析 147
6.6.1 模型預測結果 147
6.6.2 不同Stacking結構對預測精度的影響 150
6.6.3 分解算法對預測精度的影響 152
6.7 本章小結 153
第三篇 大氣污染物濃度混合智慧型辨識、建模與預測
第7章 大氣污染物濃度時間序列特徵 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 氣態污染物與氣溶膠態污染物 158
7.3 大氣污染物濃度評價指標 159
7.4 不同大氣污染物濃度相關性分析 160
7.4.1 大氣污染物濃度數據 160
7.4.2 不同大氣污染物濃度相關性研究 162
7.5 大氣污染物濃度季節性分析 164
7.5.1 大氣污染物濃度數據 165
7.5.2 非季節性污染物濃度時間序列預測模型 166
7.5.3 季節性污染物濃度時間序列預測模型 169
7.5.4 模型預測結果與精度對比分析 173
7.6 本章小結 178
第8章 大氣污染物濃度確定性預測模型 179
8.1 引言 179
8.2 大氣污染物濃度數據 180
8.2.1 原始污染物濃度時間序列 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測模型 182
8.3.1 模型框架 182
8.3.2 Elman神經網路理論基礎 182
8.3.3 建模步驟 183
8.3.4 不同分解算法的預測結果對比分析 183
8.3.5 不同分解參數的預測結果對比分析 188
8.4 基於不同預測器的大氣污染物濃度混合預測模型 191
8.4.1 模型框架 191
8.4.2 理論基礎 191
8.4.3 建模步驟 193
8.4.4 分解算法對不同預測器的預測精度影響分析 193
8.4.5 不同預測器預測結果對比分析 195
8.5 模型性能綜合對比分析 197
8.5.1 最優模型預測結果 197
8.5.2 最優模型預測精度對比分析 199
8.6 本章小結 201
第9章 大氣污染物濃度不確定性區間預測模型 202
9.1 引言 202
9.2 大氣污染物濃度數據 203
9.2.1 原始污染物濃度時間序列 203
9.2.2 樣本劃分 204
9.3 模型總體框架 205
9.4 SVM確定性預測模型 206
9.5 SVM-KDE區間預測模型 207
9.5.1 理論基礎 207
9.5.2 模型預測結果 208
9.6 SVM-ARCH區間預測模型 212
9.6.1 理論基礎 212
9.6.2 模型預測結果 213
9.7 SVM-GARCH區間預測模型 218
9.7.1 理論基礎 218
9.7.2 模型預測結果 218
9.8 WPD-區間預測混合模型 223
9.8.1 混合模型框架 223
9.8.2 建模過程 224
9.8.3 模型預測結果 224
9.9 模型性能綜合對比分析 232
9.9.1 不同區間預測模型對比 232
9.9.2 含分解混合模型與無分解模型對比 235
9.10 本章小結 237
第10章 大氣污染物濃度聚類混合預測模型 239
10.1 引言 239
10.2 大氣污染物濃度數據 240
10.2.1 原始污染物濃度時間序列 240
10.2.2 樣本劃分 240
10.3 模型總體框架 242
10.4 BFGS 確定性預測模型 244
10.5 聚類內部評價指標 245
10.5.1 理論基礎 245
10.5.2 評價指標 246
10.6 K-均值-BFGS 混合預測模型 247
10.6.1 理論基礎 247
10.6.2 模型預測結果 248
10.7 FCM-BFGS 混合預測模型 254
10.7.1 理論基礎 254
10.7.2 模型預測結果 255
10.8 K-medoids-BFGS 混合預測模型 261
10.8.1 理論基礎 261
10.8.2 模型預測結果 261
10.9 模型性能綜合對比分析 267
10.10 本章小結 269
第11章 大氣污染物濃度時空混合預測模型 271
11.1 引言 271
11.2 大氣污染物濃度數據 272
11.2.1 原始污染物濃度時間序列 272
11.2.2 樣本劃分 274
11.3 不同站點PM2.5濃度相關性分析 275
11.4 大氣污染物濃度 ELM 時空混合預測模型 276
11.4.1 模型框架 276
11.4.2 ELM 理論基礎 276
11.4.3 建模步驟 277
11.4.4 相關係數修正的PM2.5濃度時空混合預測模型 277
11.4.5 融合目標監測點數據修正的PM2.5濃度時空混合預測模型 281
11.4.6 不同輸入順序的PM2.5濃度時空混合預測模型 284
11.5 模型性能綜合對比分析 287
11.6 本章小結 288
第四篇 金融股票時間序列混合智慧型辨識、建模與預測
第12章 金融股票時間序列 291
12.1 金融股票時間序列分析的重要性 291
12.2 我國股票指數 291
12.2.1 中證指數有限公司股票價格指數 292
12.2.2 上海證券交易所股票價格指數 292
12.2.3 深圳證券交易所股票價格指數 293
12.3 基礎交易數據 294
12.4 趨向型指標 294
12.4.1 升降線指標 294
12.4.2 動力指標 295
12.4.3 移動平均指標 295
12.4.4 平均線差指標 296
12.4.5 平滑異同平均指標 296
12.4.6 快速異同平均指標 297
12.5 反趨向型指標 297
12.5.1 隨機指標 297
12.5.2 擺動指標 298
12.5.3 相對強弱指標 299
12.5.4 威廉指標 299
12.5.5 乖離率指標 300
12.5.6 變動速率指標 301
12.5.7 引力線指標 301
第13章 金融股票時間序列特徵混合辨識 302
13.1 引言 302
13.2 金融股票特徵樣本空間 303
13.3 金融股票單變數特徵辨識 305
13.3.1 算法原理 306
13.3.2 辨識過程 306
13.3.3 辨識結果分析 306
13.4 金融股票主成分分析特徵辨識 307
13.4.1 算法原理 307
13.4.2 辨識過程 308
13.4.3 辨識結果分析 310
13.5 金融股票核主成分分析特徵辨識 312
13.5.1 算法原理 312
13.5.2 辨識過程 313
13.5.3 辨識結果分析 315
13.6 金融股票因子分析特徵辨識 316
13.6.1 算法原理 316
13.6.2 辨識過程 317
13.6.3 辨識結果分析 318
13.7 本章小結 320
第14章 金融股票時間序列傳統預測模型 321
14.1 引言 321
14.2 金融股票數據 322
14.2.1 基礎金融股票時間序列數據 322
14.2.2 樣本劃分 323
14.3 金融股票馬爾可夫鏈預測模型 324
14.3.1 理論基礎 324
14.3.2 建模過程 324
14.3.3 預測結果 325
14.4 金融股票貝葉斯預測模型 328
14.4.1 理論基礎 328
14.4.2 建模過程 328
14.4.3 預測結果 330
14.5 模型性能綜合比較分析 330
14.6 本章小結 331
第15章 金融股票時間序列神經網路預測模型 332
15.1 引言 332
15.2 金融股票數據 333
15.2.1 基礎金融股票時間序列數據 333
15.2.2 特徵辨識 335
15.2.3 樣本劃分 336
15.3 算法總體框架 336
15.4 金融股票 BP 神經網路預測模型 338
15.4.1 理論基礎 338
15.4.2 建模過程 338
15.4.3 預測結果 340
15.5 金融股票Elman預測模型 342
15.5.1 建模過程 342
15.5.2 預測結果 342
15.6 金融股票RBF神經網路預測模型 344
15.6.1 理論基礎 344
15.6.2 建模過程 345
15.6.3 預測結果 346
15.7 模型性能綜合比較分析 347
15.7.1 不同預測模型精度比較分析 349
15.7.2 不同特徵提取方法比較分析 350
15.8 本章小結 351
第16章 金融股票時間序列深度網路預測模型 352
16.1 引言 352
16.2 金融股票數據 353
16.2.1 基礎金融股票時間序列數據 353
16.2.2 特徵辨識 355
16.2.3 樣本劃分 356
16.3 金融股票CNN深度網路預測模型 356
16.3.1 模型框架 356
16.3.2 CNN深度網路理論基礎 357
16.3.3 建模步驟 357
16.3.4 模型結果 359
16.4 金融股票LSTM深度網路預測模型 360
16.4.1 模型框架 360
16.4.2 LSTM深度網路理論基礎 361
16.4.3 建模步驟 362
16.4.4 模型結果 362
16.5 金融股票BiLSTM深度網路預測模型 364
16.5.1 模型框架 364
16.5.2 BiLSTM深度網路理論基礎 365
16.5.3 建模步驟 365
16.5.4 模型結果 366
16.6 模型性能綜合比較分析 368
16.7 本章小結 369
參考文獻 370
附錄 390
《交通與數據科學叢書》書目 393
