區(qū)間數(shù)序列的數(shù)學模型預測技術

第1章 區(qū)間數(shù)序列研究概況
第2章 GM（1，1）與累積法
2．1 GM（1，1）的建模機理
2．2 累積法
2．2．1 累積和的定義及計算通式
2．2．2 基于累積法的參數(shù)估計過程
2．2．3 累積法的性質分析
2．2．4 累積法的幾何意義
第3章 基于序列轉換的GM（1，1）
3．1 區(qū)間數(shù)序列的轉換
3．1．1 二元區(qū)間數(shù)序列
3．1．2 三元區(qū)間數(shù)序列
3．2 累積法GM（1，1）
3．2．1 建模原理
3．2．2 實例分析
第4章 基于序列轉換的新陳代謝GM（0，N）
4．1 新陳代謝GM（0，N）
4．2 灰色關聯(lián)度分析
4．3 黃金價格的區(qū)間預測
4．4 鐵路客運量的區(qū)間預測
4．5 郵政業(yè)務量的區(qū)間預測
第5章 基于序列轉換的ARMA模型
5．1 ARMA模型
5．2 基于序列轉換的區(qū)間數(shù)序列預測過程
5．3 實例分析
第6章 基于序列轉換的支持向量機預測方法
6．1 支持向量機回歸理論
6．2 核函數(shù)
6．3 區(qū)間數(shù)序列的轉換過程
6．4 實例分析
第7章 基于整體發(fā)展系數(shù)的區(qū)間數(shù)GM（1，1）
7．1 BIGM（1，1）建模過程
7．1．1 整體發(fā)展系數(shù)的確定
7．1．2 灰作用量的確定
7．1．3 預測公式
7．2 BIGM（1，1）的應用實例
7．3 TIGM（1，1）建模過程
7．3．1 整體發(fā)展系數(shù)的確定
7．3．2 灰作用量的確定
7．4 TIGM（1，1）的應用實例
第8章 BIGM（1，1）和TIGM（1，1）修正
8．1 GM（1，1）的建模條件
8．2 基于馬爾可夫預測的修正過程
8．3 馬爾可夫修正的應用實例
8．4 基于人工神經(jīng)網(wǎng)絡和支持向量機的修正過程
8．5 人工神經(jīng)網(wǎng)絡和支持向量機修正的應用實例
第9章 基于整體發(fā)展系數(shù)的區(qū)間數(shù)多變量灰色模型
9．1 經(jīng)典GM（1，N）和GM（0，N）的模型方程
9．2 區(qū)間數(shù)GM（1，N）
9．3 TIGM（1，N）的預測公式
9．4 參數(shù)估計
9．5 全國發(fā)電量的區(qū)間預測
9．6 消費者價格指數(shù)的區(qū)間預測
9．7 區(qū)間數(shù)GM（0，N）
9．8 馬爾可夫修正過程
9．9 社會消費品零售總額預測
第10章 矩陣型GM（1，1）
10．1 面向二元區(qū)間數(shù)的矩陣型GM（1，1）
10．2 背景值改造
10．3 矩陣型原始差分GM（1，1）和離散GM（1，1）
10．4 四模型的統(tǒng)一預測公式
10．5 面向三元區(qū)間數(shù)的矩陣型GM（1，1）
10．6 應用實例108\\
10．7 結果分析
第11章 矩陣型多變量灰色模型
11．1 區(qū)間數(shù)灰色關聯(lián)度
11．2 矩陣型GM（1，N）
11．3 矩陣型GM（0，N）
11．4 MINGM（1，N）實例分析
11．5 MINGM（0，N）實例分析
第12章 向量自回歸和多元線性回歸聯(lián)合模型
12．1 面向區(qū)間數(shù)序列的向量自回歸模型
12．2 面向區(qū)間數(shù)序列的向量多元線性回歸模型
12．3 聯(lián)合模型
12．4 浙江省工業(yè)用電量的區(qū)間預測
12．5 全國用電量的區(qū)間預測
參考文獻