注冊 | 登錄讀書好,好讀書,讀好書!
讀書網(wǎng)-DuShu.com
當(dāng)前位置: 首頁出版圖書科學(xué)技術(shù)自然科學(xué)數(shù)學(xué)預(yù)測模型的優(yōu)化及應(yīng)用

預(yù)測模型的優(yōu)化及應(yīng)用

預(yù)測模型的優(yōu)化及應(yīng)用

定 價:¥59.00

作 者: 吳潔
出版社: 中國科學(xué)技術(shù)出版社
叢編項:
標(biāo) 簽: 暫缺

ISBN: 9787504697905 出版時間: 2022-08-01 包裝: 平裝
開本: 16開 頁數(shù): 字?jǐn)?shù):  

內(nèi)容簡介

  本書主要介紹一些預(yù)測模型的優(yōu)化策略及實際應(yīng)用案例。全書共分為7章,大致分為3個部分:第1部分(第1~2章)介紹預(yù)測的基礎(chǔ)及數(shù)據(jù)預(yù)處理方法,其中第1章介紹預(yù)測的基礎(chǔ)知識,第2章介紹時間序列中缺失數(shù)據(jù)的處理方法; 第2部分(第3~5章)介紹一些時間序列預(yù)測模型的優(yōu)化方法及應(yīng)用,包括基于時間序列分解模式的指數(shù)平滑時間序列預(yù)測模型和、基于時間序列分解模式的神經(jīng)網(wǎng)絡(luò)預(yù)測模型和基于相關(guān)分析和假設(shè)檢驗的GRU神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化模型;第3部分(第6章)介紹時間序列擬合預(yù)測模型的優(yōu)化方法,內(nèi)容涉及基于人工智能參數(shù)估計方法的 Weibull 分布模型。每章都附有實際應(yīng)用案例,以便讓讀者更好地理解相關(guān)預(yù)測模型,并對優(yōu)化效果有更深刻的感知。

作者簡介

  吳潔,2015年于蘭州大學(xué)獲得理學(xué)博士學(xué)位,同年進(jìn)入西北民族大學(xué)任職,現(xiàn)任數(shù)學(xué)與計算機(jī)科學(xué)學(xué)院副教授。主持國家自然科學(xué)基金、中央高??蒲许椖?、引進(jìn)人才項目等3項,發(fā)表SCI及EI檢索論文20余篇,其中含高被引論文1篇。作為指導(dǎo)教師,指導(dǎo)學(xué)生參加全國大學(xué)生數(shù)學(xué)建模競賽,獲甘肅省特等獎和二等獎各一項。

圖書目錄

前 言 I
第 1 章 緒論 1
1.1 預(yù)測概述
1.1.1 預(yù)測的定義
1.1.2 預(yù)測的原則
1.1.3 預(yù)測的步驟
1.2 時間序列的預(yù)測概述
1.2.1 時間序列的定義
1.2.2 時間序列的預(yù)測
1.2.3 時間序列預(yù)測模型的分類
1.2.3.1 單一預(yù)測模型
1.2.3.2 混合預(yù)測模型
1.2.3.3 組合預(yù)測模型
1.2.4 時間序列預(yù)測誤差評判準(zhǔn)則 
1.3 特殊時間序列—頻率的擬合預(yù)測概述
1.3.1 頻率
1.3.2 擬合預(yù)測
1.3.3 針對頻率的擬合預(yù)測概率分布
1.3.4 針對頻率的擬合預(yù)測誤差評判準(zhǔn)則
1.4 預(yù)測模型優(yōu)化的必要性
1.5 參考文獻(xiàn)
第 2 章 人工智能參數(shù)優(yōu)化算法 15
2.1 粒子群優(yōu)化算法
2.1.1 基本的 PSO 算法
2.1.2 自適應(yīng)參數(shù) PSO 算法
2.1.3 量子行為的 PSO 算法
2.2 微分進(jìn)化算法
2.2.1 突變操作模型
2.2.2 交叉操作模型
2.2.3 選擇操作模型
2.3 布谷鳥搜尋算法
2.3.1 布谷鳥行為及假設(shè)
2.3.2 L´evy 飛行及 L´evy 分布
2.3.3 與 L´evy 飛行有關(guān)的布谷鳥搜尋算法
2.3.4 L´evy 飛行的具體實施
2.4 參考文獻(xiàn)
第 3 章 缺失數(shù)據(jù)預(yù)測優(yōu)化填充 25
3.1 頻譜分析
3.1.1 周期圖
3.1.2 加窗譜估計
3.1.2.1 Parzen 窗
3.1.2.2 Tukey 窗
3.2 LSTM 網(wǎng)絡(luò)
3.3 缺失數(shù)據(jù)預(yù)測填充策略
3.3.1 正向周期預(yù)測填充
3.3.2 逆向周期預(yù)測填充
3.3.3 序列預(yù)測填充
3.3.4 組合預(yù)測填充
3.4 應(yīng)用案例
3.4.1 頻譜分析結(jié)果
3.4.2 缺失數(shù)據(jù)填充預(yù)測模型的實現(xiàn)
3.4.2.1 SPF 模型
3.4.2.2 FPPF 模型 
3.4.2.3 IPPF 模型
3.4.3 缺失數(shù)據(jù)預(yù)測填充結(jié)果 
3.5 閱讀材料
3.6 參考文獻(xiàn)
第 4 章 指數(shù)平滑預(yù)測優(yōu)化模型及其應(yīng)用 37
4.1 乘法分解模式
4.2 季節(jié)項的建模求解
4.3 趨勢項的指數(shù)平滑預(yù)測模型
4.3.1 一階自適應(yīng)系數(shù)預(yù)測模型
4.3.1.1 一次滑動平均預(yù)測模型
4.3.1.2 一次指數(shù)平滑預(yù)測模型
4.3.1.3 一階自適應(yīng)系數(shù)預(yù)測模型
4.3.2 二階自適應(yīng)系數(shù)預(yù)測模型
4.3.2.1 二次滑動平均預(yù)測模型
4.3.2.2 二次指數(shù)平滑預(yù)測模型
4.3.2.3 二階自適應(yīng)系數(shù)預(yù)測模型
4.4 指數(shù)平滑預(yù)測優(yōu)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 實例應(yīng)用 
4.5.1 實例數(shù)據(jù)
4.5.2 損失函數(shù)
4.5.3 模型誤差模擬分析
4.6 閱讀材料
4.7 參考文獻(xiàn)
第 5 章 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化模型及其應(yīng)用 65
5.1 加法分解模式
5.2 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型
5.2.1 前向傳播原理
5.2.2 反向傳播原理
5.2.3 反向傳播神經(jīng)網(wǎng)絡(luò)算法
5.3 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化模型
5.4 實例應(yīng)用
5.5 閱讀材料 
5.6 參考文獻(xiàn)
第 6 章 GRU 神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化模型及其應(yīng)用 83
6.1 相關(guān)分析
6.1.1 Pearson 相關(guān)系數(shù)
6.1.2 偏相關(guān)系數(shù)
6.1.3 自相關(guān)分析 
6.1.4 偏自相關(guān)分析 
6.1.5 Z大信息系數(shù)
6.2 假設(shè)檢驗 
6.2.1 ? 檢驗
6.2.2 Friedman 檢驗
6.2.3 Nemenyi 檢驗
6.3 GRU 神經(jīng)網(wǎng)絡(luò)
6.4 GRU 神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化模型 
6.5 實例應(yīng)用
6.5.1 實例數(shù)據(jù)
6.5.2 數(shù)據(jù)清洗 
6.5.3 輸入變量的選擇 
6.5.4 超參數(shù)的確定
6.5.5 實驗設(shè)計
6.5.6 數(shù)據(jù)生成器結(jié)果分析和比較
6.5.7 統(tǒng)一預(yù)測范圍后的結(jié)果對比 
6.5.8 其他應(yīng)用實例
6.5.9 與其他模型的預(yù)測精度對比 
6.6 閱讀材料
6.7 參考文獻(xiàn)
第 7 章 Weibull 分布擬合預(yù)測優(yōu)化模型及其應(yīng)用 113
7.1 Weibull 分布 
7.1.1 雙參 Weibull 分布
7.1.2 雙側(cè) Weibull 分布 
7.2 其他分布
7.2.1 Logistic 分布
7.2.2 Lognormal 分布
7.3 損失函數(shù)
7.3.1 基于極大似然估計的損失函數(shù)
7.3.2 基于矩估計的損失函數(shù)
7.3.3 新?lián)p失函數(shù)
7.4 Weibull 分布擬合預(yù)測優(yōu)化
7.5 實例應(yīng)用
7.5.1 實例數(shù)據(jù)
7.5.2 實例模擬流程
7.5.3 形狀參數(shù)估計結(jié)果
7.5.3.1 粒子群優(yōu)化算法的估計結(jié)果
7.5.3.2 微分進(jìn)化算法的估計結(jié)果
7.5.3.3 Z優(yōu)參數(shù)估計結(jié)果
7.5.4 概率分布擬合結(jié)果
7.6 閱讀材料 
7.7 參考文獻(xiàn)
第 8 章 雙側(cè)截尾正態(tài)分布擬合預(yù)測優(yōu)化模型及其應(yīng)用 137
8.1 雙側(cè)截尾正態(tài)分布
8.1.1 一元正態(tài)分布
8.1.2 多元正態(tài)分布
8.1.3 截尾正態(tài)分布
8.1.3.1 截尾分布構(gòu)造理論
8.1.3.2 雙側(cè)截尾正態(tài)分布
8.2 擬合預(yù)測精度
8.2.1 截尾正態(tài)分布擬合預(yù)測精度淺析
8.2.2 擬合預(yù)測精度衡量準(zhǔn)則
8.2.3 連續(xù)分級概率評分
8.2.3.1 連續(xù)分級概率評分的解析表達(dá)式
8.2.3.2 截尾正態(tài)分布的連續(xù)分級概率評分
8.3 參數(shù)估計方法
8.3.1 截尾點參數(shù)估計方法
8.3.2 損失函數(shù)
8.4 雙側(cè)截尾正態(tài)分布擬合預(yù)測優(yōu)化及其異常值檢測應(yīng)用
8.5 實例應(yīng)用
8.5.1 實例數(shù)據(jù)
8.5.2 初始化參數(shù)選擇
8.5.3 不同標(biāo)準(zhǔn)化區(qū)間對模型的影響
8.5.4 Z終異常值檢測結(jié)果
8.6 閱讀材料
8.7 參考文獻(xiàn)

本目錄推薦

掃描二維碼
Copyright ? 讀書網(wǎng) m.ranfinancial.com 2005-2020, All Rights Reserved.
鄂ICP備15019699號 鄂公網(wǎng)安備 42010302001612號