《時(shí)間序列混合智能辨識(shí)、建模與預(yù)測(cè)》提出了時(shí)間序列混合智能辨識(shí)、建模與預(yù)測(cè)的理論和方法。內(nèi)容分四篇共16章。第一篇闡述了時(shí)間序列分析的重要性，從文獻(xiàn)計(jì)量學(xué)的角度對(duì)時(shí)間序列的最新國(guó)際研究進(jìn)展進(jìn)行了歸納總結(jié)，系統(tǒng)闡述了當(dāng)前國(guó)內(nèi)外主流時(shí)間序列辨識(shí)、建模與預(yù)測(cè)的計(jì)算策略和經(jīng)典算法體系；第二篇介紹了鐵路沿線風(fēng)速混合智能辨識(shí)、建模與預(yù)測(cè)理論方法，包括基于特征提取的GMDH神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短期記憶深度網(wǎng)絡(luò)、卷積門限循環(huán)單元網(wǎng)絡(luò)、Boosting集成預(yù)測(cè)和Stacking集成預(yù)測(cè)模型；第三篇提供了智慧城市大氣污染物濃度的特征分析方法及濃度時(shí)間序列建模與預(yù)測(cè)模型，包括點(diǎn)預(yù)測(cè)、區(qū)間預(yù)測(cè)、聚類混合預(yù)測(cè)和時(shí)空混合預(yù)測(cè)等理論；第四篇對(duì)金融股票價(jià)格時(shí)間序列進(jìn)行特征提取與混合預(yù)測(cè)，包括貝葉斯統(tǒng)計(jì)預(yù)測(cè)模型、BP/Elman/RBF等神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、CNN/LSTM/BiLSTM等深度網(wǎng)絡(luò)預(yù)測(cè)模型。《時(shí)間序列混合智能辨識(shí)、建模與預(yù)測(cè)》提供了各類模型的預(yù)測(cè)實(shí)例。

更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。