預測模型的優(yōu)化及應用

前 言 I
第 1 章 緒論 1
1.1 預測概述
1.1.1 預測的定義
1.1.2 預測的原則
1.1.3 預測的步驟
1.2 時間序列的預測概述
1.2.1 時間序列的定義
1.2.2 時間序列的預測
1.2.3 時間序列預測模型的分類
1.2.3.1 單一預測模型
1.2.3.2 混合預測模型
1.2.3.3 組合預測模型
1.2.4 時間序列預測誤差評判準則 
1.3 特殊時間序列—頻率的擬合預測概述
1.3.1 頻率
1.3.2 擬合預測
1.3.3 針對頻率的擬合預測概率分布
1.3.4 針對頻率的擬合預測誤差評判準則
1.4 預測模型優(yōu)化的必要性
1.5 參考文獻
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 自適應參數(shù) PSO 算法
2.1.3 量子行為的 PSO 算法
2.2 微分進化算法
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
2.3.2 L´evy 飛行及 L´evy 分布
2.3.3 與 L´evy 飛行有關的布谷鳥搜尋算法
2.3.4 L´evy 飛行的具體實施
2.4 參考文獻
第 3 章 缺失數(shù)據(jù)預測優(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
3.3 缺失數(shù)據(jù)預測填充策略
3.3.1 正向周期預測填充
3.3.2 逆向周期預測填充
3.3.3 序列預測填充
3.3.4 組合預測填充
3.4 應用案例
3.4.1 頻譜分析結果
3.4.2 缺失數(shù)據(jù)填充預測模型的實現(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)預測填充結果 
3.5 閱讀材料
3.6 參考文獻
第 4 章 指數(shù)平滑預測優(yōu)化模型及其應用 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)平滑預測模型
4.3.1 一階自適應系數(shù)預測模型
4.3.1.1 一次滑動平均預測模型
4.3.1.2 一次指數(shù)平滑預測模型
4.3.1.3 一階自適應系數(shù)預測模型
4.3.2 二階自適應系數(shù)預測模型
4.3.2.1 二次滑動平均預測模型
4.3.2.2 二次指數(shù)平滑預測模型
4.3.2.3 二階自適應系數(shù)預測模型
4.4 指數(shù)平滑預測優(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
第 5 章 BP 神經(jīng)網(wǎng)絡預測優(yōu)化模型及其應用 65
5.1 加法分解模式
5.2 BP 神經(jīng)網(wǎng)絡預測模型
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)絡算法
5.3 BP 神經(jīng)網(wǎng)絡預測優(yōu)化模型
5.4 實例應用
5.5 閱讀材料 
5.6 參考文獻
第 6 章 GRU 神經(jīng)網(wǎng)絡預測優(yōu)化模型及其應用 83
6.1 相關分析
6.1.1 Pearson 相關系數(shù)
6.1.2 偏相關系數(shù)
6.1.3 自相關分析 
6.1.4 偏自相關分析 
6.1.5 Z大信息系數(shù)
6.2 假設檢驗 
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
6.4 GRU 神經(jīng)網(wǎng)絡預測優(yōu)化模型 
6.5 實例應用
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 實驗設計
6.5.6 數(shù)據(jù)生成器結果分析和比較
6.5.7 統(tǒng)一預測范圍后的結果對比 
6.5.8 其他應用實例
6.5.9 與其他模型的預測精度對比 
6.6 閱讀材料
6.7 參考文獻
第 7 章 Weibull 分布擬合預測優(yōu)化模型及其應用 113
7.1 Weibull 分布 
7.1.1 雙參 Weibull 分布
7.1.2 雙側 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 分布擬合預測優(yōu)化
7.5 實例應用
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)估計結果
7.5.3.1 粒子群優(yōu)化算法的估計結果
7.5.3.2 微分進化算法的估計結果
7.5.3.3 Z優(yōu)參數(shù)估計結果
7.5.4 概率分布擬合結果
7.6 閱讀材料 
7.7 參考文獻
第 8 章 雙側截尾正態(tài)分布擬合預測優(yōu)化模型及其應用 137
8.1 雙側截尾正態(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 截尾分布構造理論
8.1.3.2 雙側截尾正態(tài)分布
8.2 擬合預測精度
8.2.1 截尾正態(tài)分布擬合預測精度淺析
8.2.2 擬合預測精度衡量準則
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 雙側截尾正態(tài)分布擬合預測優(yōu)化及其異常值檢測應用
8.5 實例應用
8.5.1 實例數(shù)據(jù)
8.5.2 初始化參數(shù)選擇
8.5.3 不同標準化區(qū)間對模型的影響
8.5.4 Z終異常值檢測結果
8.6 閱讀材料
8.7 參考文獻