預(yù)測模型的優(yōu)化及應(yīng)用

前 言 I
第 1 章 緒論 1
1.1 預(yù)測概述
1.1.1 預(yù)測的定義
1.1.2 預(yù)測的原則
1.1.3 預(yù)測的步驟
1.2 時(shí)間序列的預(yù)測概述
1.2.1 時(shí)間序列的定義
1.2.2 時(shí)間序列的預(yù)測
1.2.3 時(shí)間序列預(yù)測模型的分類
1.2.3.1 單一預(yù)測模型
1.2.3.2 混合預(yù)測模型
1.2.3.3 組合預(yù)測模型
1.2.4 時(shí)間序列預(yù)測誤差評判準(zhǔn)則 
1.3 特殊時(shí)間序列—頻率的擬合預(yù)測概述
1.3.1 頻率
1.3.2 擬合預(yù)測
1.3.3 針對頻率的擬合預(yù)測概率分布
1.3.4 針對頻率的擬合預(yù)測誤差評判準(zhǔn)則
1.4 預(yù)測模型優(yōu)化的必要性
1.5 參考文獻(xiàn)
第 2 章 人工智能參數(shù)優(yōu)化算法 15
2.1 粒子群優(yōu)化算法
2.1.1 基本的 PSO 算法
2.1.2 自適應(yīng)參數(shù) PSO 算法
2.1.3 量子行為的 PSO 算法
2.2 微分進(jìn)化算法
2.2.1 突變操作模型
2.2.2 交叉操作模型
2.2.3 選擇操作模型
2.3 布谷鳥搜尋算法
2.3.1 布谷鳥行為及假設(shè)
2.3.2 L´evy 飛行及 L´evy 分布
2.3.3 與 L´evy 飛行有關(guān)的布谷鳥搜尋算法
2.3.4 L´evy 飛行的具體實(shí)施
2.4 參考文獻(xiàn)
第 3 章 缺失數(shù)據(jù)預(yù)測優(yōu)化填充 25
3.1 頻譜分析
3.1.1 周期圖
3.1.2 加窗譜估計(jì)
3.1.2.1 Parzen 窗
3.1.2.2 Tukey 窗
3.2 LSTM 網(wǎng)絡(luò)
3.3 缺失數(shù)據(jù)預(yù)測填充策略
3.3.1 正向周期預(yù)測填充
3.3.2 逆向周期預(yù)測填充
3.3.3 序列預(yù)測填充
3.3.4 組合預(yù)測填充
3.4 應(yīng)用案例
3.4.1 頻譜分析結(jié)果
3.4.2 缺失數(shù)據(jù)填充預(yù)測模型的實(shí)現(xiàn)
3.4.2.1 SPF 模型
3.4.2.2 FPPF 模型 
3.4.2.3 IPPF 模型
3.4.3 缺失數(shù)據(jù)預(yù)測填充結(jié)果 
3.5 閱讀材料
3.6 參考文獻(xiàn)
第 4 章 指數(shù)平滑預(yù)測優(yōu)化模型及其應(yīng)用 37
4.1 乘法分解模式
4.2 季節(jié)項(xiàng)的建模求解
4.3 趨勢項(xiàng)的指數(shù)平滑預(yù)測模型
4.3.1 一階自適應(yīng)系數(shù)預(yù)測模型
4.3.1.1 一次滑動平均預(yù)測模型
4.3.1.2 一次指數(shù)平滑預(yù)測模型
4.3.1.3 一階自適應(yīng)系數(shù)預(yù)測模型
4.3.2 二階自適應(yīng)系數(shù)預(yù)測模型
4.3.2.1 二次滑動平均預(yù)測模型
4.3.2.2 二次指數(shù)平滑預(yù)測模型
4.3.2.3 二階自適應(yīng)系數(shù)預(yù)測模型
4.4 指數(shù)平滑預(yù)測優(yōu)化模型
4.4.1 PFAC 模型
4.4.2 PSAC 模型 
4.4.3 SPFAC 模型
4.4.4 SPSAC 模型
4.5 實(shí)例應(yīng)用 
4.5.1 實(shí)例數(shù)據(jù)
4.5.2 損失函數(shù)
4.5.3 模型誤差模擬分析
4.6 閱讀材料
4.7 參考文獻(xiàn)
第 5 章 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化模型及其應(yīng)用 65
5.1 加法分解模式
5.2 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型
5.2.1 前向傳播原理
5.2.2 反向傳播原理
5.2.3 反向傳播神經(jīng)網(wǎng)絡(luò)算法
5.3 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化模型
5.4 實(shí)例應(yīng)用
5.5 閱讀材料 
5.6 參考文獻(xiàn)
第 6 章 GRU 神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化模型及其應(yīng)用 83
6.1 相關(guān)分析
6.1.1 Pearson 相關(guān)系數(shù)
6.1.2 偏相關(guān)系數(shù)
6.1.3 自相關(guān)分析 
6.1.4 偏自相關(guān)分析 
6.1.5 Z大信息系數(shù)
6.2 假設(shè)檢驗(yàn) 
6.2.1 ? 檢驗(yàn)
6.2.2 Friedman 檢驗(yàn)
6.2.3 Nemenyi 檢驗(yàn)
6.3 GRU 神經(jīng)網(wǎng)絡(luò)
6.4 GRU 神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化模型 
6.5 實(shí)例應(yīng)用
6.5.1 實(shí)例數(shù)據(jù)
6.5.2 數(shù)據(jù)清洗 
6.5.3 輸入變量的選擇 
6.5.4 超參數(shù)的確定
6.5.5 實(shí)驗(yàn)設(shè)計(jì)
6.5.6 數(shù)據(jù)生成器結(jié)果分析和比較
6.5.7 統(tǒng)一預(yù)測范圍后的結(jié)果對比 
6.5.8 其他應(yīng)用實(shí)例
6.5.9 與其他模型的預(yù)測精度對比 
6.6 閱讀材料
6.7 參考文獻(xiàn)
第 7 章 Weibull 分布擬合預(yù)測優(yōu)化模型及其應(yīng)用 113
7.1 Weibull 分布 
7.1.1 雙參 Weibull 分布
7.1.2 雙側(cè) Weibull 分布 
7.2 其他分布
7.2.1 Logistic 分布
7.2.2 Lognormal 分布
7.3 損失函數(shù)
7.3.1 基于極大似然估計(jì)的損失函數(shù)
7.3.2 基于矩估計(jì)的損失函數(shù)
7.3.3 新?lián)p失函數(shù)
7.4 Weibull 分布擬合預(yù)測優(yōu)化
7.5 實(shí)例應(yīng)用
7.5.1 實(shí)例數(shù)據(jù)
7.5.2 實(shí)例模擬流程
7.5.3 形狀參數(shù)估計(jì)結(jié)果
7.5.3.1 粒子群優(yōu)化算法的估計(jì)結(jié)果
7.5.3.2 微分進(jìn)化算法的估計(jì)結(jié)果
7.5.3.3 Z優(yōu)參數(shù)估計(jì)結(jié)果
7.5.4 概率分布擬合結(jié)果
7.6 閱讀材料 
7.7 參考文獻(xiàn)
第 8 章 雙側(cè)截尾正態(tài)分布擬合預(yù)測優(yōu)化模型及其應(yīng)用 137
8.1 雙側(cè)截尾正態(tài)分布
8.1.1 一元正態(tài)分布
8.1.2 多元正態(tài)分布
8.1.3 截尾正態(tài)分布
8.1.3.1 截尾分布構(gòu)造理論
8.1.3.2 雙側(cè)截尾正態(tài)分布
8.2 擬合預(yù)測精度
8.2.1 截尾正態(tài)分布擬合預(yù)測精度淺析
8.2.2 擬合預(yù)測精度衡量準(zhǔn)則
8.2.3 連續(xù)分級概率評分
8.2.3.1 連續(xù)分級概率評分的解析表達(dá)式
8.2.3.2 截尾正態(tài)分布的連續(xù)分級概率評分
8.3 參數(shù)估計(jì)方法
8.3.1 截尾點(diǎn)參數(shù)估計(jì)方法
8.3.2 損失函數(shù)
8.4 雙側(cè)截尾正態(tài)分布擬合預(yù)測優(yōu)化及其異常值檢測應(yīng)用
8.5 實(shí)例應(yīng)用
8.5.1 實(shí)例數(shù)據(jù)
8.5.2 初始化參數(shù)選擇
8.5.3 不同標(biāo)準(zhǔn)化區(qū)間對模型的影響
8.5.4 Z終異常值檢測結(jié)果
8.6 閱讀材料
8.7 參考文獻(xiàn)