时间序列混合智能辨识、建模与预测

丛书序 前言 **篇 时间序列重要性分析 第1章 绪论 1.1 概述及研究必要性 1.2 时间序列研究进展 1.2.1 时间序列辨识、建模与预测领域研究情况综述 1.2.2 铁路沿线大风风速序列分析研究情况综述 1.2.3 大气污染物浓度序列分析研究情况综述 1.2.4 股票价格序列分析研究情况综述 1.3 时间序列分析方法体系 1.4 时间序列分析理论基础 1.4.1 多步预测策略 1.4.2 时间序列预测精度评价指标 第二篇 铁路沿线风速混合智能辨识、建模与预测 第2章 铁路风速数据处理组合算法预测模型 2.1 引言 2.2 原始风速数据 2.3 数据处理组合算法模型 2.3.1 模型框架 2.3.2 理论基础 2.3.3 建模步骤 2.3.4 数据处理组合算法风速预测结果 2.4 特征选择数据处理组合算法模型 2.4.1 模型框架 2.4.2 理论基础 2.4.3 建模步骤 2.4.4 不同特征选择算法对数据处理组合算法模型精度的影响 2.5 分解特征选择数据处理组合算法模型 2.5.1 模型框架 2.5.2 建模步骤 2.5.3 不同特征选择算法对分解模型精度的影响 2.5.4 预测精度对比 2.6 模型预测精度综合对比分析 2.6.1 模型预测结果分析 2.6.2 预测精度对比分析 2.7 本章小结 第3章 铁路风速长短期记忆网络预测模型 3.1 引言 3.2 原始风速数据 3.2.1 建模风速序列 3.2.2 样本划分 3.3 长短期记忆网络预测模型 3.3.1 理论基础 3.3.2 建模步骤 3.3.3 长短期记忆网络模型风速预测结果 3.4 基于不同分解算法的长短期记忆网络预测模型 3.4.1 模型框架 3.4.2 建模步骤 3.4.3 不同分解算法对模型精度的影响 3.5 基于误差建模的不同分解算法预测模型 3.5.1 模型框架 3.5.2 理论基础 3.5.3 建模步骤 3.5.4 不同分解算法对模型精度的影响 3.6 模型预测精度综合对比分析 3.6.1 模型预测结果分析 3.6.2 预测精度对比分析 3.7 本章小结 第4章 铁路风速卷积门限循环单元预测模型 4.1 引言 4.2 原始风速数据 4.2.1 建模风速序列 4.2.2 样本划分 4.3 CNNGRU预测模型 4.3.1 模型框架 4.3.2 理论基础 4.3.3 建模步骤 4.3.4 不同深度网络模型精度分析 4.4 基于SSA的CNNGRU 4.4.1 模型框架 4.4.2 建模步骤 4.4.3 不同深度神经网络对模型精度的影响 4.5 模型预测精度综合对比分析 4.5.1 模型预测结果分析 4.5.2 预测精度对比分析 4.6 本章小结 第5章 铁路风速预测 Boosting集成预测模型 5.1 引言 5.2 原始风速数据 5.2.1 建模风速序列 5.2.2 风速序列划分 5.3 基于 Boosting算法的集成预测模型 5.3.1 模型框架 5.3.2 建模步骤 5.3.3 Boosting算法 5.4 模型预测精度综合对比分析 5.4.1 模型预测结果 5.4.2 预测步数对模型精度的影响 5.4.3 预测策略对模型精度的影响 5.4.4 Boosting算法对模型精度的影响 5.5 本章小结 第6章 基于Stacking的铁路风速集成预测模型 6.1 引言 6.2 原始风速数据 6.2.1 建模风速序列 6.2.2 样本划分 6.3 Stacking集成算法 6.4 Stacking预测模型 6.4.1 模型框架 6.4.2 建模步骤 6.4.3 模型预测结果 6.4.4 不同Stacking结构对预测精度的影响 6.5 Stacking分解预测模型 6.5.1 模型框架 6.5.2 建模过程 6.6 模型预测精度综合对比分析 6.6.1 模型预测结果 6.6.2 不同Stacking结构对预测精度的影响 6.6.3 分解算法对预测精度的影响 6.7 本章小结 第三篇 大气污染物浓度混合智能辨识、建模与预测 第7章 大气污染物浓度时间序列特征 7.1 大气污染物浓度分析的重要性 7.2 大气污染物类型 7.2.1 一次污染物与二次污染物 7.2.2 天然污染物与人为污染物 7.2.3 气态污染物与气溶胶态污染物 7.3 大气污染物浓度评价指标 7.4 不同大气污染物浓度相关性分析 7.4.1 大气污染物浓度数据 7.4.2 不同大气污染物浓度相关性研究 7.5 大气污染物浓度季节性分析 7.5.1 大气污染物浓度数据 7.5.2 非季节性污染物浓度时间序列预测模型 7.5.3 季节性污染物浓度时间序列预测模型 7.5.4 模型预测结果与精度对比分析 7.6 本章小结 第8章 大气污染物浓度确定性预测模型 8.1 引言 8.2 大气污染物浓度数据 8.2.1 原始污染物浓度时间序列 8.2.2 样本划分 8.3 不同分解框架下的大气污染物浓度混合预测模型 8.3.1 模型框架 8.3.2 Elman神经网络理论基础 8.3.3 建模步骤 8.3.4 不同分解算法的预测结果对比分析 8.3.5 不同分解参数的预测结果对比分析 8.4 基于不同预测器的大气污染物浓度混合预测模型 8.4.1 模型框架 8.4.2 理论基础 8.4.3 建模步骤 8.4.4 分解算法对不同预测器的预测精度影响分析 8.4.5 不同预测器预测结果对比分析 8.5 模型性能综合对比分析 8.5.1 *优模型预测结果 8.5.2 *优模型预测精度对比分析 8.6 本章小结 第9章 大气污染物浓度不确定性区间预测模型 9.1 引言 9.2 大气污染物浓度数据 9.2.1 原始污染物浓度时间序列 9.2.2 样本划分 9.3 模型总体框架 9.4 SVM确定性预测模型 9.5 SVM-KDE区间预测模型 9.5.1 理论基础 9.5.2 模型预测结果 9.6 SVM-ARCH区间预测模型 9.6.1 理论基础 9.6.2 模型预测结果 9.7 SVM-GARCH区间预测模型 9.7.1 理论基础 9.7.2 模型预测结果 9.8 WPD-区间预测混合模型 9.8.1 混合模型框架 9.8.2 建模过程 9.8.3 模型预测结果 9.9 模型性能综合对比分析 9.9.1 不同区间预测模型对比 9.9.2 含分解混合模型与无分解模型对比 9.10 本章小结 第10章 大气污染物浓度聚类混合预测模型 10.1 引言 10.2 大气污染物浓度数据 10.2.1 原始污染物浓度时间序列 10.2.2 样本划分 10.3 模型总体框架 10.4 BFGS 确定性预测模型 10.5 聚类内部评价指标 10.5.1 理论基础 10.5.2 评价指标 10.6 K-均值-BFGS 混合预测模型 10.6.1 理论基础 10.6.2 模型预测结果 10.7 FCM-BFGS 混合预测模型 10.7.1 理论基础 10.7.2 模型预测结果 10.8 K-medoids-BFGS 混合预测模型 10.8.1 理论基础 10.8.2 模型预测结果 10.9 模型性能综合对比分析 10.10 本章小结 第11章 大气污染物浓度时空混合预测模型 11.1 引言 11.2 大气污染物浓度数据 11.2.1 原始污染物浓度时间序列 11.2.2 样本划分 11.3 不同站点PM2.5 浓度相关性分析 11.4 大气污染物浓度 ELM 时空混合预测模型 11.4.1 模型框架 11.4.2 ELM 理论基础 11.4.3 建模步骤 11.4.4 相关系数修正的PM2.5 浓度时空混合预测模型 11.4.5 融合目标监测点数据修正的PM2.5 浓度时空混合预测模型 11.4.6 不同输入顺序的PM2.5 浓度时空混合预测模型 11.5 模型性能综合对比分析 11.6 本章小结 第四篇 金融股票时间序列混合智能辨识、建模与预测 第12章 金融股票时间序列 12.1 金融股票时间序列分析的重要性 12.2 我国股票指数 12.2.1 中证指数有限公司股票价格指数 12.2.2 上海证券交易所股票价格指数 12.2.3 深圳证券交易所股票价格指数 12.3 基础交易数据 12.4 趋向型指标 12.4.1 升降线指标 12.4.2 动力指标 12.4.3 移动平均指标 12.4.4 平均线差指标 12.4.5 平滑异同平均指标 12.4.6 快速异同平均指标 12.5 反趋向型指标 12.5.1 随机指标 12.5.2 摆动指标 12.5.3 相对强弱指标 12.5.4 威廉指标 12.5.5 乖离率指标 12.5.6 变动速率指标 12.5.7 引力线指标 第13章 金融股票时间序列特征混合辨识 13.1 引言 13.2 金融股票特征样本空间 13.3 金融股票单变量特征辨识 13.3.1 算法原理 13.3.2 辨识过程 13.3.3 辨识结果分析 13.4 金融股票主成分分析特征辨识 13.4.1 算法原理 13.4.2 辨识过程 13.4.3 辨识结果分析 13.5 金融股票核主成分分析特征辨识 13.5.1 算法原理 13.5.2 辨识过程 13.5.3 辨识结果分析 13.6 金融股票因子分析特征辨识 13.6.1 算法原理 13.6.2 辨识过程 13.6.3 辨识结果分析 13.7 本章小结 第14章 金融股票时间序列传统预测模型 14.1 引言 14.2 金融股票数据 14.2.1 基础金融股票时间序列数据 14.2.2 样本划分 14.3 金融股票马尔可夫链预测模型 14.3.1 理论基础 14.3.2 建模过程 14.3.3 预测结果 14.4 金融股票贝叶斯预测模型 14.4.1 理论基础 14.4.2 建模过程 14.4.3 预测结果 14.5 模型性能综合比较分析 14.6 本章小结 第15章 金融股票时间序列神经网络预测模型 15.1 引言 15.2 金融股票数据 15.2.1 基础金融股票时间序列数据 15.2.2 特征辨识 15.2.3 样本划分 15.3 算法总体框架 15.4 金融股票 BP 神经网络预测模型 15.4.1 理论基础 15.4.2 建模过程 15.4.3 预测结果 15.5 金融股票Elman预测模型 15.5.1 建模过程 15.5.2 预测结果 15.6 金融股票RBF神经网络预测模型 15.6.1 理论基础 15.6.2 建模过程 15.6.3 预测结果 15.7 模型性能综合比较分析 15.7.1 不同预测模型精度比较分析 15.7.2 不同特征提取方法比较分析 15.8 本章小结 第16章 金融股票时间序列深度网络预测模型 16.1 引言 16.2 金融股票数据 16.2.1 基础金融股票时间序列数据 16.2.2 特征辨识 16.2.3 样本划分 16.3 金融股票CNN深度网络预测模型 16.3.1 模型框架 16.3.2 CNN深度网络理论基础 16.3.3 建模步骤 16.3.4 模型结果 16.4 金融股票LSTM深度网络预测模型 16.4.1 模型框架 16.4.2 LSTM深度网络理论基础 16.4.3 建模步骤 16.4.4 模型结果 16.5 金融股票BiLSTM深度网络预测模型 16.5.1 模型框架 16.5.2 BiLSTM深度网络理论基础 16.5.3 建模步骤 16.5.4 模型结果 16.6 模型性能综合比较分析 16.7 本章小结 参考文献 附录 《交通与数据科学丛书》书目