時間序列混合智能辨識、建模與預測

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能辨識、建模與預測
第2章 鐵路風速數(shù)據(jù)處理組合算法預測模型 19
2.1 引言 19
2.2 原始風速數(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 22
2.3.3 建模步驟 23
2.3.4 數(shù)據(jù)處理組合算法風速預測結果 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 27
2.4.3 建模步驟 30
2.4.4 不同特征選擇算法對數(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(wǎng)絡預測模型 60
3.1 引言 60
3.2 原始風速數(shù)據(jù) 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(wǎng)絡預測模型 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(wǎng)絡模型風速預測結果 64
3.4 基于不同分解算法的長短期記憶網(wǎng)絡預測模型 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 基于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(huán)單元預測模型 86
4.1 引言 86
4.2 原始風速數(shù)據(jù) 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(wǎng)絡模型精度分析 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(shù)據(jù) 103
5.2.1 建模風速序列 103
5.2.2 風速序列劃分 103
5.3 基于 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(shù)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 基于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(shù)據(jù) 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能辨識、建模與預測
第7章 大氣污染物濃度時間序列特征 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(shù)據(jù) 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(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)性污染物濃度時間序列預測模型 166
7.5.3 季節(jié)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(shù)據(jù) 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(jīng)網(wǎng)絡理論基礎 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(shù)的預測結果對比分析 188
8.4 基于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(yōu)模型預測結果 197
8.5.2 最優(yōu)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(qū)間預測模型 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(qū)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(qū)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(qū)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(qū)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(qū)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(shù)據(jù) 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(shù)據(jù) 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 相關系數(shù)修正的PM2.5濃度時空混合預測模型 277
11.4.5 融合目標監(jiān)測點數(shù)據(jù)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能辨識、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(shù) 291
12.2.1 中證指數(shù)有限公司股票價格指數(shù) 292
12.2.2 上海證券交易所股票價格指數(shù) 292
12.2.3 深圳