幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

時間序列預測智能技術/工業人工智慧前沿技術與創新應用叢書

  • 作者：編者:田中大//郝得智//王激揚|責編:湯楓
  • 出版社：機械工業
  • ISBN：9787111799832
  • 出版日期：2026/02/01
  • 裝幀：平裝
  • 頁數：264
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    近年來，隨著人工智慧理論與技術的發展，一些新的神經網路、機器學習以及深度學習演算法被應用於時間序列的預測之中，這些演算法或模型能從多尺度的深層特徵中探索數據內部之間的關聯，從而更好地展示出時間序列的非線性和複雜動態。本書介紹了時間序列的智能辨識、建模與預測的理論和方法，並用實際數據進行了實證分析。全書共13章，主要內容包括時間序列的基本概念與數據處理；時間序列特性分析；基於傳統統計學、神經網路、深度學習、LSSVM的各類單一預測模型；基於線性／非線性集成、多模型加權以及基於分解演算法的組合預測模型；時間序列降維與軟測量；時間序列預測智能技術在實際應用中的展望。
    本書可供人工智慧、控制科學與工程、電腦科學與技術、儀器科學與技術等相關專業的研究者、科研人員和工程技術人員及高等院校相關專業師生閱讀參考。
作者介紹
編者:田中大//郝得智//王激揚|責編:湯楓
目錄
前言
第1章  緒論
  1.1  時間序列的相關基本概念
    1.1.1  時間序列
    1.1.2  時間序列的分類
    1.1.3  時間序列預測
    1.1.4  時間序列建模
  1.2  時間序列預測的意義
  1.3  時間序列預測研究現狀
    1.3.1  統計學習模型
    1.3.2  機器學習模型
    1.3.3  深度學習模型
    1.3.4  組合模型
  1.4  時間序列預測的評價指標
    1.4.1  誤差指標
    1.4.2  統計指標
    1.4.3  複雜度指標
  本章參考文獻
第2章  時間序列數據處理
  2.1  數據缺失值處理
  2.2  數據異常值處理
  2.3  標準化
  2.4  數據去噪
    2.4.1  移動平均法去噪
    2.4.2  自適應濾波去噪
    2.4.3  小波去噪
  2.5  數據降維
    2.5.1  主成分分析
    2.5.2  核主成分分析
    2.5.3  奇異值分解
    2.5.4  獨立成分分析
    2.5.5  線性判別分析
  2.6  本章小結
  本章參考文獻
第3章  時間序列特性分析
  3.1  時間序列常見特性
    3.1.1  平穩性與白雜訊特性
    3.1.2  能量-頻率分佈特性
    3.1.3  長/短相關性
    3.1.4  自相似性
    3.1.5  混沌特性
    3.1.6  吸引子/分形特性
    3.1.7  相空間分佈/最大可預測步長特性
    3.1.8  隨機特性
  3.2  案例研究
    3.2.1  數據集
    3.2.2  平穩性與白雜訊判斷
    3.2.3  功率譜密度特性
    3.2.4  自相關函數分析
    3.2.5  概率分佈

    3.2.6  Hurst指數分析
    3.2.7  混沌特性分析
    3.2.8  關聯維數特性
    3.2.9  可預測性分析
    3.2.10  Kolmogorov熵
    3.2.11  遞歸圖與信息熵
  3.3  本章小結
  本章參考文獻
第4章  基於傳統統計學的時間序列預測智能技術
  4.1  相關概念
    4.1.1  時間序列特點
    4.1.2  時間序列分解
    4.1.3  平穩性檢驗
    4.1.4  白雜訊檢驗
  4.2  ARMA模型
    4.2.1  基本原理
    4.2.2  驗證與分析
  4.3  ARIMA模型
    4.3.1  基本原理
    4.3.2  驗證與分析
  4.4  SARIMA模型
    4.4.1  基本原理
    4.4.2  驗證與分析
  4.5  本章小結
  本章參考文獻
第5章  基於神經網路的時間序列預測智能技術
  5.1  基於ESN的時間序列預測
    5.1.1  引言
    5.1.2  ESN基本原理
    5.1.3  ESN預測流程
    5.1.4  WOA優化的ESN預測模型
    5.1.5  案例研究
  5.2  基於SCNs的時間序列預測
    5.2.1  引言
    5.2.2  SCNs基本原理
    5.2.3  SCNs改進研究——基於QR分解的快速SCNs（FSCNs）
  5.3  本章小結
  本章參考文獻
第6章  基於深度學習的時間序列預測智能技術
  6.1  深度學習在時間序列預測中的研究現狀
  6.2  CNN模型
    6.2.1  基本原理
    6.2.2  AM原理
    6.2.3  SEAM-CNN模型
    6.2.4  案例研究
  6.3  LSTM模型
    6.3.1  基本原理
    6.3.2  案例研究
  6.4  Bi-LSTM模型
    6.4.1  基本原理

    6.4.2  案例研究
  6.5  TCN模型
    6.5.1  基本原理
    6.5.2  案例研究
  6.6  GRU模型
    6.6.1  基本原理
    6.6.2  案例研究
  6.7  本章小結
  本章參考文獻
第7章  基於LSSVM的時間序列預測智能技術
  7.1  LSSVM預測模型
    7.1.1  LSSVM基本原理
    7.1.2  核函數與參數選取
    7.1.3  LSSVM預測流程
    7.1.4  LSSVM的參數對於性能的影響
  7.2  LSSVM改進研究
    7.2.1  超參數優化研究
    7.2.2  魯棒性研究
    7.2.3  稀疏性研究
    7.2.4  核函數研究
    7.2.5  增量學習
  7.3  案例研究——IGWO-LSSVM模型
    7.3.1  IGWO演算法原理
    7.3.2  IGWO演算法性能測試
    7.3.3  IGWO-LSSVM模型實現過程
    7.3.4  驗證與分析
  7.4  本章小結
  本章參考文獻
第8章  基於線性/非線性集成的時間序列預測智能技術
  8.1  時間序列的線性/非線性判定
  8.2  案例研究1——GPR補償ARIMA模型
    8.2.1  網路流量線性/非線性判定
    8.2.2  ABC優化的GPR模型
    8.2.3  結果與分析
  8.3  案例研究2——ARIMA補償ELM
    8.3.1  模型實現
    8.3.2  結果與分析
  8.4  本章小結
  本章參考文獻
第9章  基於多模型加權的時間序列預測智能技術
  9.1  最佳權重確定方法
    9.1.1  非最優權重確定方法
    9.1.2  最優權重確定方法
  9.2  案例研究1——基於高斯-馬爾可夫的多模型加權模型
    9.2.1  引言
    9.2.2  相關模型與演算法
    9.2.3  模型結構
    9.2.4  驗證與分析
  9.3  案例研究2——基於誤差最小化的多模型加權模型
    9.3.1  引言

    9.3.2  相關模型與演算法
    9.3.3  模型結構
    9.3.4  驗證與分析
  9.4  本章小結
  本章參考文獻
第10章  基於分解演算法的時間序列預測智能技術
  10.1  常見的時間序列分解演算法
    10.1.1  經驗模式分解演算法
    10.1.2  集成經驗模態分解演算法
    10.1.3  互補集合經驗模態分解演算法
    10.1.4  完全自適應雜訊集合經驗模態分解演算法
    10.1.5  變分模態分解演算法
    10.1.6  局部均值分解演算法
    10.1.7  經驗小波變換演算法
  10.2  案例研究1——基於LMD的網路流量組合預測模型
    10.2.1  引言
    10.2.2  貝葉斯優化演算法
    10.2.3  模型結構
    10.2.4  驗證與分析
  10.3  案例研究2——基於EWT分解與重構的超短期風速組合預測模型
    10.3.1  引言
    10.3.2  相關演算法
    10.3.3  模型結構
    10.3.4  驗證與分析
  10.4  本章小結
  本章參考文獻
第11章  基於降維的時間序列預測智能技術
  11.1  時間序列降維的目的
  11.2  KPCA降維
    11.2.1  KPCA的基本概念
    11.2.2  KPCA的數學模型
  11.3  ESN網路
    11.3.1  ESN的數學模型
    11.3.2  ESN的儲備池參數
    11.3.3  ESN訓練過程
  11.4  改進灰狼演算法優化的ESN
    11.4.1  GWO演算法基本原理
    11.4.2  IGWO演算法
    11.4.3  IGWO演算法優化ESN模型
  11.5  基於KPCA的多元時間序列預測模型
  11.6  案例研究
    11.6.1  性能指標
    11.6.2  AQI預測
    11.6.3  股市收盤價預測
  11.7  本章小結
  本章參考文獻
第12章  用於軟測量的時間序列預測智能技術
  12.1  軟測量技術
  12.2  基於智能技術的軟測量
  12.3  案例研究——迴轉窯?燒帶溫度的軟測量

    12.3.1  引言
    12.3.2  軟測量模型
    12.3.3  驗證與分析
  12.4  本章小結
  本章參考文獻
第13章  展望
  13.1  研究展望
    13.1.1  數據預處理
    13.1.2  模型修正
    13.1.3  並行計算
    13.1.4  不同應用場景的自適應學習
    13.1.5  基於遷移學習的建模
    13.1.6  多任務學習建模
    13.1.7  基於大數據的時間序列建模與預測
  13.2  本章小結
  本章參考文獻

  • 商品搜索：
  • | 高級搜索
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