同類熱銷排行榜

時間序列混合智能辨識建模與預測/交通與數據科學叢書

作者：劉輝|責編:趙敬偉
出版社：科學
ISBN：9787030645982

出版日期：2020/03/01
裝幀：平裝
頁數：392

人民幣：RMB 198 元售價：元

內容大鋼

本書提出了時間序列混合智能辨識、建模與預測的理論和方法。內容分四篇共16章。第一篇闡述了時間序列分析的重要性，從文獻計量學的角度對時間序列的最新國際研究進展進行了歸納總結，系統述了當前國內外主流時間序列辨識、建模與預測的計算策略和經典演算法體系；第二篇介紹了鐵路沿線風速混合智能辨識、建模與預測理論方法，包括基於特徵提取的GMDH神經網路、長短期記憶深度網路、卷積門限循環單元網路、 Boosting集成預測和Stacking集成預測模型；第三篇提供了智慧城市大氣污染物濃度的特徵分析方法及濃度時間序列建模與預測模型，包括點預測、區間預測、聚類混合預測和時空混合預測等理論；第四篇對金融股票價格時間序列進行特徵提取與混合預測，包括貝葉斯統計預測模型、BP/Elman/RBF等神經網路預測模型、CNN/LSTM/BiLSTM等深度網路預測模型。本書提供了各類模型的預測實例。
本書可供從事人工智慧、數據科學、時間序列分析、智能鐵路、智慧城市、空氣質量和經濟計量等相關領域的研究學者、博士研究生、碩士研究生、高年級本科生和相關部門的管理人員參考使用。

作者介紹

劉輝|責編:趙敬偉
劉輝，男，中南大學教授、博士生導師，中德雙專業雙工學博士。現任中南大學學術委員會委員、交通運輸工程學院副院長。主持德國教研部Junior Group Leader基金、國家重點研發計劃課題、國家自然科學基金等。作為第一或通訊作者發表SCI、EI論文60余篇，其中入選ESI熱點論文、ESI高被引論文10余篇。作為第一完成人獲教育部自然科學獎二等獎，主要完成人獲國家科技進步獎一等獎。作為第一發明人授權國家發明專利40余項。專著2部由Springer與科學出版社合作出版。成果應用於我國青藏、蘭新等強風鐵路大風預警系統與德國CELISCA實驗室智能運載機器人平台。

叢書序
前言
第一篇時間序列重要性分析
第1章  緒論
  1.1  概述及研究必要性
  1.2  時間序列研究進展
    1.2.1  時間序列辨識、建模與預測領域研究情況綜述
    1.2.2  鐵路沿線大風風速序列分析研究情況綜述
    1.2.3  大氣污染物濃度序列分析研究情況綜述
    1.2.4  股票價格序列分析研究情況綜述
  1.3  時間序列分析方法體系
  1.4  時間序列分析理論基礎
    1.4.1  多步預測策略
    1.4.2  時間序列預測精度評價指標
第二篇鐵路沿線風速混合智能辨識、建模與預測
第2章  鐵路風速數據處理組合演算法預測模型
  2.1  引言
  2.2  原始風速數據
  2.3  數據處理組合演算法模型
    2.3.1  模型框架
    2.3.2  理論基礎
    2.3.3  建模步驟
    2.3.4  數據處理組合演算法風速預測結果
  2.4  特徵選擇數據處理組合演算法模型
    2.4.1  模型框架
    2.4.2  理論基礎
    2.4.3  建模步驟
    2.4.4  不同特徵選擇演算法對數據處理組合演算法模型精度的影響
  2.5  分解特徵選擇數據處理組合演算法模型
    2.5.1  模型框架
    2.5.2  建模步驟
    2.5.3  不同特徵選擇演算法對分解模型精度的影響
    2.5.4  預測精度對比
  2.6  模型預測精度綜合對比分析
    2.6.1  模型預測結果分析
    2.6.2  預測精度對比分析
  2.7  本章小結
第3章  鐵路風速長短期記憶網路預測模型
  3.1  引言
  3.2  原始風速數據
    3.2.1  建模風速序列
    3.2.2  樣本劃分
  3.3  長短期記憶網路預測模型
    3.3.1  理論基礎
    3.3.2  建模步驟
    3.3.3  長短期記憶網路模型風速預測結果
  3.4  基於不同分解演算法的長短期記憶網路預測模型
    3.4.1  模型框架
    3.4.2  建模步驟
    3.4.3  不同分解演算法對模型精度的影響

  3.5  基於誤差建模的不同分解演算法預測模型
    3.5.1  模型框架
    3.5.2  理論基礎
    3.5.3  建模步驟
    3.5.4  不同分解演算法對模型精度的影響
  3.6  模型預測精度綜合對比分析
    3.6.1  模型預測結果分析
    3.6.2  預測精度對比分析
  3.7  本章小結
第4章  鐵路風速卷積門限循環單元預測模型
  4.1  引言
  4.2  原始風速數據
    4.2.1  建模風速序列
    4.2.2  樣本劃分
  4.3  CNNGRU預測模型
    4.3.1  模型框架
    4.3.2  理論基礎
    4.3.3  建模步驟
    4.3.4  不同深度網路模型精度分析
  4.4  基於SSA的CNNGRU
    4.4.1  模型框架
    4.4.2  建模步驟
    4.4.3  不同深度神經網路對模型精度的影響
  4.5  模型預測精度綜合對比分析
    4.5.1  模型預測結果分析
    4.5.2  預測精度對比分析
  4.6  本章小結
第5章  鐵路風速預測 Boosting集成預測模型
  5.1  引言
  5.2  原始風速數據
    5.2.1  建模風速序列
    5.2.2  風速序列劃分
  5.3  基於 Boosting演算法的集成預測模型
    5.3.1  模型框架
    5.3.2  建模步驟
    5.3.3  Boosting演算法
  5.4  模型預測精度綜合對比分析
    5.4.1  模型預測結果
    5.4.2  預測步數對模型精度的影響
    5.4.3  預測策略對模型精度的影響
    5.4.4  Boosting演算法對模型精度的影響
  5.5  本章小結
第6章  基於Stacking的鐵路風速集成預測模型
  6.1  引言
  6.2  原始風速數據
    6.2.1  建模風速序列
    6.2.2  樣本劃分
  6.3  Stacking集成演算法
  6.4  Stacking預測模型
    6.4.1  模型框架

    6.4.2  建模步驟
    6.4.3  模型預測結果
    6.4.4  不同Stacking結構對預測精度的影響
  6.5  Stacking分解預測模型
    6.5.1  模型框架
    6.5.2  建模過程
  6.6  模型預測精度綜合對比分析
    6.6.1  模型預測結果
    6.6.2  不同Stacking結構對預測精度的影響
    6.6.3  分解演算法對預測精度的影響
  6.7  本章小結
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徵
  7.1  大氣污染物濃度分析的重要性
  7.2  大氣污染物類型
    7.2.1  一次污染物與二次污染物
    7.2.2  天然污染物與人為污染物
    7.2.3  氣態污染物與氣溶膠態污染物
  7.3  大氣污染物濃度評價指標
  7.4  不同大氣污染物濃度相關性分析
    7.4.1  大氣污染物濃度數據
    7.4.2  不同大氣污染物濃度相關性研究
  7.5  大氣污染物濃度季節性分析
    7.5.1  大氣污染物濃度數據
    7.5.2  非季節性污染物濃度時間序列預測模型
    7.5.3  季節性污染物濃度時間序列預測模型
    7.5.4  模型預測結果與精度對比分析
  7.6  本章小結
第8章  大氣污染物濃度確定性預測模型
  8.1  引言
  8.2  大氣污染物濃度數據
    8.2.1  原始污染物濃度時間序列
    8.2.2  樣本劃分
  8.3  不同分解框架下的大氣污染物濃度混合預測模型
    8.3.1  模型框架
    8.3.2  Elman神經網路理論基礎
    8.3.3  建模步驟
    8.3.4  不同分解演算法的預測結果對比分析
    8.3.5  不同分解參數的預測結果對比分析
  8.4  基於不同預測器的大氣污染物濃度混合預測模型
    8.4.1  模型框架
    8.4.2  理論基礎
    8.4.3  建模步驟
    8.4.4  分解演算法對不同預測器的預測精度影響分析
    8.4.5  不同預測器預測結果對比分析
  8.5  模型性能綜合對比分析
    8.5.1  最優模型預測結果
    8.5.2  最優模型預測精度對比分析
  8.6  本章小結
第9章  大氣污染物濃度不確定性區間預測模型

  9.1  引言
  9.2  大氣污染物濃度數據
    9.2.1  原始污染物濃度時間序列
    9.2.2  樣本劃分
  9.3  模型總體框架
  9.4  SVM確定性預測模型
  9.5  SVM-KDE區間預測模型
    9.5.1  理論基礎
    9.5.2  模型預測結果
  9.6  SVM-ARCH區間預測模型
    9.6.1  理論基礎
    9.6.2  模型預測結果
  9.7  SVM-GARCH區間預測模型
    9.7.1  理論基礎
    9.7.2  模型預測結果
  9.8  WPD-區間預測混合模型
    9.8.1  混合模型框架
    9.8.2  建模過程
    9.8.3  模型預測結果
  9.9  模型性能綜合對比分析
    9.9.1  不同區間預測模型對比
    9.9.2  含分解混合模型與無分解模型對比
  9.10  本章小結
第10章  大氣污染物濃度聚類混合預測模型
  10.1  引言
  10.2  大氣污染物濃度數據
    10.2.1  原始污染物濃度時間序列
    10.2.2  樣本劃分
  10.3  模型總體框架
  10.4  BFGS 確定性預測模型
  10.5  聚類內部評價指標
    10.5.1  理論基礎
    10.5.2  評價指標
  10.6  K-均值-BFGS 混合預測模型
    10.6.1  理論基礎
    10.6.2  模型預測結果
  10.7  FCM-BFGS 混合預測模型
    10.7.1  理論基礎
    10.7.2  模型預測結果
  10.8  K-medoids-BFGS 混合預測模型
    10.8.1  理論基礎
    10.8.2  模型預測結果
  10.9  模型性能綜合對比分析
  10.10  本章小結
第11章  大氣污染物濃度時空混合預測模型
  11.1  引言
  11.2  大氣污染物濃度數據
    11.2.1  原始污染物濃度時間序列
    11.2.2  樣本劃分
    11.3 不同站點PM2.5  濃度相關性分析

  11.4  大氣污染物濃度 ELM 時空混合預測模型
    11.4.1  模型框架
    11.4.2  ELM 理論基礎
    11.4.3  建模步驟
      11.4.4 相關係數修正的PM2.5  濃度時空混合預測模型
      11.4.5 融合目標監測點數據修正的PM2.5  濃度時空混合預測模型
      11.4.6 不同輸入順序的PM2.5  濃度時空混合預測模型
  11.5  模型性能綜合對比分析
  11.6  本章小結
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
  12.1  金融股票時間序列分析的重要性
  12.2  我國股票指數
    12.2.1  中證指數有限公司股票價格指數
    12.2.2  上海證券交易所股票價格指數
    12.2.3  深圳證券交易所股票價格指數
  12.3  基礎交易數據
  12.4  趨向型指標
    12.4.1  升降線指標
    12.4.2  動力指標
    12.4.3  移動平均指標
    12.4.4  平均線差指標
    12.4.5  平滑異同平均指標
    12.4.6  快速異同平均指標
  12.5  反趨向型指標
    12.5.1  隨機指標
    12.5.2  擺動指標
    12.5.3  相對強弱指標
    12.5.4  威廉指標
    12.5.5  乖離率指標
    12.5.6  變動速率指標
    12.5.7  引力線指標
第13章  金融股票時間序列特徵混合辨識
  13.1  引言
  13.2  金融股票特徵樣本空間
  13.3  金融股票單變數特徵辨識
    13.3.1  演算法原理
    13.3.2  辨識過程
    13.3.3  辨識結果分析
  13.4  金融股票主成分分析特徵辨識
    13.4.1  演算法原理
    13.4.2  辨識過程
    13.4.3  辨識結果分析
  13.5  金融股票核主成分分析特徵辨識
    13.5.1  演算法原理
    13.5.2  辨識過程
    13.5.3  辨識結果分析
  13.6  金融股票因子分析特徵辨識
    13.6.1  演算法原理
    13.6.2  辨識過程

    13.6.3  辨識結果分析
  13.7  本章小結
第14章  金融股票時間序列傳統預測模型
  14.1  引言
  14.2  金融股票數據
    14.2.1  基礎金融股票時間序列數據
    14.2.2  樣本劃分
  14.3  金融股票馬爾可夫鏈預測模型
    14.3.1  理論基礎
    14.3.2  建模過程
    14.3.3  預測結果
  14.4  金融股票貝葉斯預測模型
    14.4.1  理論基礎
    14.4.2  建模過程
    14.4.3  預測結果
  14.5  模型性能綜合比較分析
  14.6  本章小結
第15章  金融股票時間序列神經網路預測模型
  15.1  引言
  15.2  金融股票數據
    15.2.1  基礎金融股票時間序列數據
    15.2.2  特徵辨識
    15.2.3  樣本劃分
  15.3  演算法總體框架
  15.4  金融股票 BP 神經網路預測模型
    15.4.1  理論基礎
    15.4.2  建模過程
    15.4.3  預測結果
  15.5  金融股票Elman預測模型
    15.5.1  建模過程
    15.5.2  預測結果
  15.6  金融股票RBF神經網路預測模型
    15.6.1  理論基礎
    15.6.2  建模過程
    15.6.3  預測結果
  15.7  模型性能綜合比較分析
    15.7.1  不同預測模型精度比較分析
    15.7.2  不同特徵提取方法比較分析
  15.8  本章小結
第16章  金融股票時間序列深度網路預測模型
  16.1  引言
  16.2  金融股票數據
    16.2.1  基礎金融股票時間序列數據
    16.2.2  特徵辨識
    16.2.3  樣本劃分
  16.3  金融股票CNN深度網路預測模型
    16.3.1  模型框架
    16.3.2  CNN深度網路理論基礎
    16.3.3  建模步驟
    16.3.4  模型結果

  16.4  金融股票LSTM深度網路預測模型
    16.4.1  模型框架
    16.4.2  LSTM深度網路理論基礎
    16.4.3  建模步驟
    16.4.4  模型結果
  16.5  金融股票BiLSTM深度網路預測模型
    16.5.1  模型框架
    16.5.2  BiLSTM深度網路理論基礎
    16.5.3  建模步驟
    16.5.4  模型結果
  16.6  模型性能綜合比較分析
  16.7  本章小結
參考文獻
附錄
《交通與數據科學叢書》書目

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

時間序列混合智能辨識建模與預測/交通與數據科學叢書