书籍详情
预测模型的优化及应用
作者：吴洁
出版社：中国科学技术出版社
出版时间：2022-08-01
ISBN：9787504697905
定价：¥59.00
购买这本书可以去
内容简介
本书主要介绍一些预测模型的优化策略及实际应用案例。全书共分为7章，大致分为3个部分：第1部分（第1～2章）介绍预测的基础及数据预处理方法，其中第1章介绍预测的基础知识，第2章介绍时间序列中缺失数据的处理方法； 第2部分（第3～5章）介绍一些时间序列预测模型的优化方法及应用，包括基于时间序列分解模式的指数平滑时间序列预测模型和、基于时间序列分解模式的神经网络预测模型和基于相关分析和假设检验的GRU神经网络预测优化模型；第3部分（第6章）介绍时间序列拟合预测模型的优化方法，内容涉及基于人工智能参数估计方法的 Weibull 分布模型。每章都附有实际应用案例，以便让读者更好地理解相关预测模型，并对优化效果有更深刻的感知。
作者简介
吴洁，2015年于兰州大学获得理学博士学位，同年进入西北民族大学任职，现任数学与计算机科学学院副教授。主持国家自然科学基金、中央高校科研项目、引进人才项目等3项，发表SCI及EI检索论文20余篇，其中含高被引论文1篇。作为指导教师，指导学生参加全国大学生数学建模竞赛，获甘肃省特等奖和二等奖各一项。
目录
前 言 I
第 1 章 绪论 1
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
1.2.3.1 单一预测模型
1.2.3.2 混合预测模型
1.2.3.3 组合预测模型
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
1.5 参考文献
第 2 章 人工智能参数优化算法 15
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 L´evy 飞行及 L´evy 分布
2.3.3 与 L´evy 飞行有关的布谷鸟搜寻算法
2.3.4 L´evy 飞行的具体实施
2.4 参考文献
第 3 章 缺失数据预测优化填充 25
3.1 频谱分析
3.1.1 周期图
3.1.2 加窗谱估计
3.1.2.1 Parzen 窗
3.1.2.2 Tukey 窗
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
3.4.2.1 SPF 模型
3.4.2.2 FPPF 模型
3.4.2.3 IPPF 模型
3.4.3 缺失数据预测填充结果
3.5 阅读材料
3.6 参考文献
第 4 章 指数平滑预测优化模型及其应用 37
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
4.3.1.1 一次滑动平均预测模型
4.3.1.2 一次指数平滑预测模型
4.3.1.3 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
4.3.2.1 二次滑动平均预测模型
4.3.2.2 二次指数平滑预测模型
4.3.2.3 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
4.7 参考文献
第 5 章 BP 神经网络预测优化模型及其应用 65
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
5.6 参考文献
第 6 章 GRU 神经网络预测优化模型及其应用 83
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 Z大信息系数
6.2 假设检验
6.2.1 ? 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
6.7 参考文献
第 7 章 Weibull 分布拟合预测优化模型及其应用 113
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
7.5.3.1 粒子群优化算法的估计结果
7.5.3.2 微分进化算法的估计结果
7.5.3.3 Z优参数估计结果
7.5.4 概率分布拟合结果
7.6 阅读材料
7.7 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 137
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
8.1.3.1 截尾分布构造理论
8.1.3.2 双侧截尾正态分布
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
8.2.3.1 连续分级概率评分的解析表达式
8.2.3.2 截尾正态分布的连续分级概率评分
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 Z终异常值检测结果
8.6 阅读材料
8.7 参考文献
第 1 章 绪论 1
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
1.2.3.1 单一预测模型
1.2.3.2 混合预测模型
1.2.3.3 组合预测模型
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
1.5 参考文献
第 2 章 人工智能参数优化算法 15
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 L´evy 飞行及 L´evy 分布
2.3.3 与 L´evy 飞行有关的布谷鸟搜寻算法
2.3.4 L´evy 飞行的具体实施
2.4 参考文献
第 3 章 缺失数据预测优化填充 25
3.1 频谱分析
3.1.1 周期图
3.1.2 加窗谱估计
3.1.2.1 Parzen 窗
3.1.2.2 Tukey 窗
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
3.4.2.1 SPF 模型
3.4.2.2 FPPF 模型
3.4.2.3 IPPF 模型
3.4.3 缺失数据预测填充结果
3.5 阅读材料
3.6 参考文献
第 4 章 指数平滑预测优化模型及其应用 37
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
4.3.1.1 一次滑动平均预测模型
4.3.1.2 一次指数平滑预测模型
4.3.1.3 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
4.3.2.1 二次滑动平均预测模型
4.3.2.2 二次指数平滑预测模型
4.3.2.3 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
4.7 参考文献
第 5 章 BP 神经网络预测优化模型及其应用 65
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
5.6 参考文献
第 6 章 GRU 神经网络预测优化模型及其应用 83
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 Z大信息系数
6.2 假设检验
6.2.1 ? 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
6.7 参考文献
第 7 章 Weibull 分布拟合预测优化模型及其应用 113
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
7.5.3.1 粒子群优化算法的估计结果
7.5.3.2 微分进化算法的估计结果
7.5.3.3 Z优参数估计结果
7.5.4 概率分布拟合结果
7.6 阅读材料
7.7 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 137
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
8.1.3.1 截尾分布构造理论
8.1.3.2 双侧截尾正态分布
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
8.2.3.1 连续分级概率评分的解析表达式
8.2.3.2 截尾正态分布的连续分级概率评分
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 Z终异常值检测结果
8.6 阅读材料
8.7 参考文献
猜您喜欢
