基于變權重的組合預測方法理論與應用

第1章 緒論
1．1 預測及預測方法的發(fā)展與現(xiàn)狀
1．1．1 依性質分類的預測方法
1．1．2 依周期分類的預測方法
1．1．3 依其他因素分類的預測方法
1．2 時間序列的預測及預測方法分類
1．3 預測評估
1．4 集合預測
1．5 組合預測
1．5．1 組合預測模型的分類
1．5．2 組合預測的現(xiàn)狀
1．5．3 組合模型中單項模型選擇方法的發(fā)展與現(xiàn)狀
1．6 本書的研究內容
第2章 組合模型中子模型的選擇方法
2．1 ．預測冗余信息的存在性及其判定
2．2 信息理論及其在模型選擇中的應用
2．2．1 預備知識
2．2．2 信息在特征選擇中的應用
2．2．3 鄰域互信息在最優(yōu)子集選擇中的應用
2．3 本章提出的子模型選擇算法
2．3．1 本章提出的最優(yōu)子模型選擇方法中參數(shù)6的選取
2．3．2 本章提出的基于NMI-MRMR子模型選擇算法的組合模型
2．3．3 本章采用的組合方法
2．4 本章提出的模型在時間序列分析中的應用
2．4．1 實驗數(shù)據(jù)和預測模型的設定
2．4．2 實例模擬結果與分析
2．5 本章小結
第3章 基于人工智能算法和無非負限卷Il的最優(yōu)組合模型
3．I基于合作對策模式的組合模型權重分配
3．2 基于合作對策模式的最優(yōu)傳統(tǒng)組合模型
3．3 基于無非負限制的組合模型（TCM-NNCT}算法
3．3．1 預備知識
3．3．2 CPSO一-CM-NNCT模型
3．3．3 GA——CM-NNCT模型
3．4 本章提出的模型在時間序列分析中的應用
3．4．1 數(shù)據(jù)來源及數(shù)據(jù)收集
3．4．2 數(shù)據(jù)處理
3．4．3 預測模型設計
3．4．4 模型評價指標
3．4．5 風速數(shù)據(jù)實驗結果及分析
3．4．6 電價數(shù)據(jù)實驗結果及分析
3．5 本章小結
第4章 基于Adaboost算法的組合在線學習策略
4．1 預備知識
4．1．1 PAC學習和學習函數(shù)的變型空間
4．1．2 學習函數(shù)的學習能力
4．1．3 學習函數(shù)的泛化能力
4．1．4 感知器及其收斂定理
4．2 基于不同策略的在線分配問題
4．2 ．l Boosting算法
4．2．2 經典的Adab。ost算法及誤差收斂性定理
4．3 基于誤差和時變權重的Adaboost組合算法
4．3．1 時間序列中的概念漂移
4．3．2 預測有效度函數(shù)
4．3．3 TW．FE-Adaboost組合算法
4．4本章提出的算法在風速時間序列中的應用
4．4．1 數(shù)據(jù)收集及實驗設置
4．4．2 實驗結果分析
4．5 本章小結
第5章 結論與展望
參考文獻