预测模型的优化及应用

前言
第1章 绪论
1.1 预测概述
1.1.1 预测的定义
1.1.2 预测的原则
1.1.3 预测的步骤
1.2 时间序列的预测概述
1.2.1 时间序列的定义
1.2.2 时间序列的预测
1.2.3 时间序列预测模型的分类
1.2.4 时间序列预测误差评判准则
1.3 特殊时间序列—频率的拟合预测概述
1.3.1 频率
1.3.2 拟合预测
1.3.3 针对频率的拟合预测概率分布
1.3.4 针对频率的拟合预测误差评判准则
1.4 预测模型优化的必要性
参考文献
第2章 人工智能参数优化算法
2.1 粒子群优化算法
2.1.1 基本的PSO算法
2.1.2 自适应参数PSO算法
2.1.3 量子行为的PSO算法
2.2 微分进化算法
2.2.1 突变操作模型
2.2.2 交叉操作模型
2.2.3 选择操作模型
2.3 布谷鸟搜寻算法
2.3.1 布谷鸟行为及假设
2.3.2 Lévy飞行及Lévy分布
2.3.3 与Lévy飞行有关的布谷鸟搜寻算法
2.3.4 Lévy飞行的具体实施
参考文献
第3章 缺失数据预测优化填充
3.1 频谱分析
3.1.1 周期图
3.1.2 加窗谱估计
3.2 LSTM网络
3.3 缺失数据预测填充策略
3.3.1 正向周期预测填充
3.3.2 逆向周期预测填充
3.3.3 序列预测填充
3.3.4 组合预测填充
3.4 应用案例
3.4.1 频谱分析结果
3.4.2 缺失数据填充预测模型的实现
3.4.3 缺失数据预测填充结果
3.5 阅读材料
参考文献
第4章 指数平滑预测优化模型及其应用
4.1 乘法分解模式
4.2 季节项的建模求解
4.3 趋势项的指数平滑预测模型
4.3.1 一阶自适应系数预测模型
4.3.2 二阶自适应系数预测模型
4.4 指数平滑预测优化模型
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 实例应用
4.5.1 实例数据
4.5.2 损失函数
4.5.3 模型误差模拟分析
4.6 阅读材料
参考文献
第5章 BP神经网络预测优化模型及其应用
5.1 加法分解模式
5.2 BP神经网络预测模型
5.2.1 前向传播原理
5.2.2 反向传播原理
5.2.3 反向传播神经网络算法
5.3 BP神经网络预测优化模型
5.4 实例应用
5.5 阅读材料
参考文献
第6章 GRU神经网络预测优化模型及其应用
6.1 相关分析
6.1.1 Pearson相关系数
6.1.2 偏相关系数
6.1.3 自相关分析
6.1.4 偏自相关分析
6.1.5 *大信息系数
6.2 假设检验
6.2.1 t检验
6.2.2 Friedman检验
6.2.3 Nemenyi检验
6.3 GRU神经网络
6.4 GRU神经网络预测优化模型
6.5 实例应用
6.5.1 实例数据
6.5.2 数据清洗
6.5.3 输入变量的选择
6.5.4 超参数的确定
6.5.5 实验设计
6.5.6 数据生成器结果分析和比较
6.5.7 统一预测范围后的结果对比
6.5.8 其他应用实例
6.5.9 与其他模型的预测精度对比
6.6 阅读材料
参考文献
第7章 Weibull分布拟合预测优化模型及其应用
7.1 Weibull分布
7.1.1 双参Weibull分布
7.1.2 双侧Weibull分布
7.2 其他分布
7.2.1 Logistic分布
7.2.2 Lognormal分布
7.3 损失函数
7.3.1 基于极大似然估计的损失函数
7.3.2 基于矩估计的损失函数
7.3.3 新损失函数
7.4 Weibull分布拟合预测优化
7.5 实例应用
7.5.1 实例数据
7.5.2 实例模拟流程
7.5.3 形状参数估计结果
7.5.4 概率分布拟合结果
7.6 阅读材料
参考文献
第8章 双侧截尾正态分布拟合预测优化模型及其应用
8.1 双侧截尾正态分布
8.1.1 一元正态分布
8.1.2 多元正态分布
8.1.3 截尾正态分布
8.2 拟合预测精度
8.2.1 截尾正态分布拟合预测精度浅析
8.2.2 拟合预测精度衡量准则
8.2.3 连续分级概率评分
8.3 参数估计方法
8.3.1 截尾点参数估计方法
8.3.2 损失函数
8.4 双侧截尾正态分布拟合预测优化及其异常值检测应用
8.5 实例应用
8.5.1 实例数据
8.5.2 初始化参数选择
8.5.3 不同标准化区间对模型的影响
8.5.4 *终异常值检测结果
8.6 阅读材料
参考文献