掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 基于群智能優(yōu)化算法的預(yù)測理論與方法的研究及應(yīng)用
作者：王建州[等]著
開本：
24cm
頁數(shù)：
201頁
本類榜單：計算機/網(wǎng)絡(luò)銷量榜
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
基于群智能優(yōu)化算法的預(yù)測理論與方法的研究及應(yīng)用 版權(quán)信息
- ISBN：9787030680747
- 條形碼：9787030680747 ; 978-7-03-068074-7
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
基于群智能優(yōu)化算法的預(yù)測理論與方法的研究及應(yīng)用 內(nèi)容簡介
本書闡述了基于群智能優(yōu)化算法的預(yù)測理論和方法的研究與應(yīng)用問題, 主要包括數(shù)據(jù)預(yù)處理技術(shù)、預(yù)測技術(shù)和優(yōu)化技術(shù)。同時, 本書結(jié)合多個案例介紹了不同模型在時間序列方面的應(yīng)用, 以及全面詳細(xì)的算法對比結(jié)果分析。本書是一本較好的時間序列分析與預(yù)測研究工具書, 融入了作者對時間序列分析與預(yù)測技術(shù)的創(chuàng)新和貢獻。
基于群智能優(yōu)化算法的預(yù)測理論與方法的研究及應(yīng)用 目錄
目錄
第1章 緒論 1
**篇 數(shù)據(jù)預(yù)處理技術(shù)
第2章 基于EMD的預(yù)處理技術(shù) 9
2.1 EMD 9
2.2 EEMD 11
2.3 CEEMD 14
2.4 CEEMDAN 15
2.5 VMD 17
第3章 基于SSA的預(yù)處理技術(shù) 20
3.1 概述 20
3.2 SSA的基本策略 20
3.3 SSA偽代碼 21
第4章 基于WT的預(yù)處理技術(shù) 24
4.1 概述 24
4.2 WT的基本思想 24
4.3 常見的小波 25
4.4 WT的優(yōu)缺點 26
4.5 WT偽代碼 27
第二篇 預(yù)測技術(shù)
第5章 統(tǒng)計模型 31
5.1 指數(shù)平滑模型 31
5.2 ARIMA模型 32
5.3 SVM模型 33
第6章 神經(jīng)網(wǎng)絡(luò)模型 37
6.1 BPNN 37
6.2 ENN 38
6.3 ELM 41
6.4 WNN 44
6.5 GRNN 48
第7章 灰色模型 51
7.1 概述 51
7.2 GM（1，1）模型 52
7.3 GM（1，N）模型 55
第8章 FTS模型 58
8.1 概述 58
8.2 區(qū)間劃分方法 58
8.3 FTS的基礎(chǔ)理論 61
第三篇 優(yōu)化技術(shù)
第9章 單目標(biāo)優(yōu)化算法 65
9.1 BA 65
9.2 FA 72
9.3 CS算法 80
9.4 MFO算法 89
第10章 多目標(biāo)優(yōu)化算法 93
10.1 MOPSO算法 93
10.2 MOGA 98
10.3 MOGWO 103
10.4 MOGOA 109
第四篇 案例應(yīng)用
第11章 基于數(shù)據(jù)分解的混合模型的研究及在電力負(fù)荷預(yù)測中的應(yīng)用 117
11.1 概述 117
11.2 方法 117
11.3 混合模型的提出 121
11.4 實驗 124
11.5 小結(jié) 134
第12章 基于群智能優(yōu)化算法和人工智能模型的混合模型的研究及在風(fēng)速預(yù)測與風(fēng)能評估中的應(yīng)用 136
12.1 概述 136
12.2 模型構(gòu)建 136
12.3 實驗 140
12.4 模型的預(yù)測準(zhǔn)確性討論 151
12.5 小結(jié) 153
第13章 基于分解與集成策略和FTS的混合風(fēng)速預(yù)測系統(tǒng) 154
13.1 概述 154
13.2 方法 154
13.3 數(shù)據(jù)描述和設(shè)置 156
13.4 分析和討論 159
13.5 參數(shù)的敏感性分析 167
13.6 1小時間隔的進一步實驗 169
13.7 小結(jié) 170
第14章 基于多目標(biāo)優(yōu)化的多步前向電力負(fù)荷預(yù)測組合模型的研究與應(yīng)用 172
14.1 概述 172
14.2 方法 172
14.3 實驗和分析 175
14.4 討論 180
14.5 小結(jié) 186
參考文獻 188
第1章 緒論 1
**篇 數(shù)據(jù)預(yù)處理技術(shù)
第2章 基于EMD的預(yù)處理技術(shù) 9
2.1 EMD 9
2.2 EEMD 11
2.3 CEEMD 14
2.4 CEEMDAN 15
2.5 VMD 17
第3章 基于SSA的預(yù)處理技術(shù) 20
3.1 概述 20
3.2 SSA的基本策略 20
3.3 SSA偽代碼 21
第4章 基于WT的預(yù)處理技術(shù) 24
4.1 概述 24
4.2 WT的基本思想 24
4.3 常見的小波 25
4.4 WT的優(yōu)缺點 26
4.5 WT偽代碼 27
第二篇 預(yù)測技術(shù)
第5章 統(tǒng)計模型 31
5.1 指數(shù)平滑模型 31
5.2 ARIMA模型 32
5.3 SVM模型 33
第6章 神經(jīng)網(wǎng)絡(luò)模型 37
6.1 BPNN 37
6.2 ENN 38
6.3 ELM 41
6.4 WNN 44
6.5 GRNN 48
第7章 灰色模型 51
7.1 概述 51
7.2 GM（1，1）模型 52
7.3 GM（1，N）模型 55
第8章 FTS模型 58
8.1 概述 58
8.2 區(qū)間劃分方法 58
8.3 FTS的基礎(chǔ)理論 61
第三篇 優(yōu)化技術(shù)
第9章 單目標(biāo)優(yōu)化算法 65
9.1 BA 65
9.2 FA 72
9.3 CS算法 80
9.4 MFO算法 89
第10章 多目標(biāo)優(yōu)化算法 93
10.1 MOPSO算法 93
10.2 MOGA 98
10.3 MOGWO 103
10.4 MOGOA 109
第四篇 案例應(yīng)用
第11章 基于數(shù)據(jù)分解的混合模型的研究及在電力負(fù)荷預(yù)測中的應(yīng)用 117
11.1 概述 117
11.2 方法 117
11.3 混合模型的提出 121
11.4 實驗 124
11.5 小結(jié) 134
第12章 基于群智能優(yōu)化算法和人工智能模型的混合模型的研究及在風(fēng)速預(yù)測與風(fēng)能評估中的應(yīng)用 136
12.1 概述 136
12.2 模型構(gòu)建 136
12.3 實驗 140
12.4 模型的預(yù)測準(zhǔn)確性討論 151
12.5 小結(jié) 153
第13章 基于分解與集成策略和FTS的混合風(fēng)速預(yù)測系統(tǒng) 154
13.1 概述 154
13.2 方法 154
13.3 數(shù)據(jù)描述和設(shè)置 156
13.4 分析和討論 159
13.5 參數(shù)的敏感性分析 167
13.6 1小時間隔的進一步實驗 169
13.7 小結(jié) 170
第14章 基于多目標(biāo)優(yōu)化的多步前向電力負(fù)荷預(yù)測組合模型的研究與應(yīng)用 172
14.1 概述 172
14.2 方法 172
14.3 實驗和分析 175
14.4 討論 180
14.5 小結(jié) 186
參考文獻 188
展開全部
基于群智能優(yōu)化算法的預(yù)測理論與方法的研究及應(yīng)用 節(jié)選
第1章 緒論 時間序列，也稱為時間數(shù)列或動態(tài)數(shù)列，是指將某個統(tǒng)計指標(biāo)在一段時間上的數(shù)值按時間先后順序排列而成的序列。時間序列預(yù)測方法根據(jù)時間序列所反映的發(fā)展過程、方向和趨勢進行類比或者延伸，從而分析、預(yù)測時間序列在一定的時間內(nèi)或在接下來的時間里可能達(dá)到的水平。時間序列預(yù)測方法實際上是一種回歸預(yù)測方法，屬于定量預(yù)測。其基本原理是：一方面，認(rèn)識事物發(fā)展的連續(xù)性，利用過去的時間序列數(shù)據(jù)進行統(tǒng)計分析，推斷事物的發(fā)展趨勢；另一方面，偶然因素的影響會造成隨機性，因此采用歷史數(shù)據(jù)進行統(tǒng)計分析以消除隨機波動的影響，并對數(shù)據(jù)進行適當(dāng)?shù)奶幚恚源藖眍A(yù)測趨勢。近年來，時間序列預(yù)測方法作為一種重要的數(shù)據(jù)分析工具，應(yīng)用于風(fēng)速預(yù)測、電力負(fù)荷預(yù)測、空氣質(zhì)量預(yù)測、股價預(yù)測等多個領(lǐng)域。根據(jù)模型的特點，時間序列預(yù)測模型可分為統(tǒng)計模型、人工智能模型、模糊時間序列（fuzzy time series，F(xiàn)TS）模型、混合模型以及組合模型等。 近年來常用的統(tǒng)計模型有自回歸（autoregression，AR）模型、移動平均（moving average，MA）模型、自回歸綜合移動平均（autoregressive integrated moving average，ARIMA）模型、回歸模型、多元線性回歸模型、指數(shù)平滑模型、馬爾可夫模型等。統(tǒng)計模型具有較好的預(yù)測性能和較快的處理速度，然而這些模型都是基于線性假設(shè)的，因此它們不能準(zhǔn)確地描述本質(zhì)上是非線性的時間序列。統(tǒng)計模型以時間序列的影響因素為自變量，以歷史數(shù)據(jù)為因變量，保證了序列與影響因素之間的關(guān)系，基于對歷史數(shù)據(jù)的分析，可以更好地對歷史進行建模；但是隨著時間的推移，統(tǒng)計模型的預(yù)測效果會越來越弱。統(tǒng)計模型分析過程簡單，參數(shù)估計方法完整；但在處理非線性時間序列數(shù)據(jù)時預(yù)測性能較差，預(yù)測精度較低。統(tǒng)計模型的客觀數(shù)據(jù)具有復(fù)雜性，很難選擇其影響因素[1]。此外，統(tǒng)計模型需要大量歷史數(shù)據(jù)建模，對數(shù)據(jù)依賴性高，同時缺乏對特殊時間序列過程的識別，當(dāng)隨機因素影響較大時，預(yù)測效果較差。統(tǒng)計模型的這些缺陷可能導(dǎo)致在時間序列預(yù)測過程中的變化是不可預(yù)測的[2]。 從20世紀(jì)末至今，由于計算機技術(shù)飛速發(fā)展，人工智能預(yù)測方法得到了前所未有的發(fā)展，并在短時間內(nèi)迅速傳播。在過去的二十年中，基于人工智能的不同結(jié)構(gòu)模型被設(shè)計并應(yīng)用于時間序列預(yù)測領(lǐng)域，如人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）、混沌時間序列方法、專家系統(tǒng)預(yù)測方法、自組織映射（self-organizing map，SOM）和自適應(yīng)模糊神經(jīng)推理系統(tǒng)等。ANN能夠模擬人腦實現(xiàn)智能處理，它具有自適應(yīng)、自學(xué)習(xí)和記憶的能力，在處理非結(jié)構(gòu)性、非線性的時間序列數(shù)據(jù)時能夠獲得較好的預(yù)測能力。Park等[3]于1991年首次將神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力負(fù)荷預(yù)測，并證明了該模型的良好性能，同時得出神經(jīng)網(wǎng)絡(luò)適用于電力負(fù)荷預(yù)測的結(jié)論。Lauret 等[4]在貝葉斯神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建了一個與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比具有明顯優(yōu)勢的模型，并將其應(yīng)用于短期負(fù)荷數(shù)據(jù)的預(yù)測。許多科學(xué)研究和實際應(yīng)用表明，在各種時間序列預(yù)測的情況下，人工智能技術(shù)往往比傳統(tǒng)的統(tǒng)計模型具有更好的性能。此后，大量研究者利用多種類型的神經(jīng)網(wǎng)絡(luò)對時間序列進行預(yù)測[5-7]；然而，神經(jīng)網(wǎng)絡(luò)也有其局限性和缺點： （1）難以科學(xué)地確定網(wǎng)絡(luò)結(jié)構(gòu)的層數(shù)和神經(jīng)元數(shù)； （2）自學(xué)習(xí)收斂速度相對較慢，容易陷入局部極值； （3）表達(dá)人腦模糊意識的能力不強。 雖然統(tǒng)計模型和人工智能模型在時間序列預(yù)測中得到了廣泛的應(yīng)用，但是數(shù)據(jù)資源的不足、數(shù)據(jù)的模糊性/不確定性、波動性大等問題也增加了時間序列預(yù)測的挑戰(zhàn)性。基于以上問題，Zadeh[8]首次提出了FTS預(yù)測技術(shù)，并將其成功地應(yīng)用于處理具有不精確和不可識別趨勢的時間序列的預(yù)測中。Jana 等[9]指出，F(xiàn)TS可以很好地處理模糊環(huán)境下具有一定概率分布的隨機變量。此外，通過將神經(jīng)網(wǎng)絡(luò)與FTS預(yù)測方法相結(jié)合而發(fā)展起來的幾種基于FTS的預(yù)測方法比傳統(tǒng)的FTS預(yù)測方法具有更好的預(yù)測效果。對于高階FTS預(yù)測，將基于模糊邏輯關(guān)系的模型應(yīng)用于實驗，得到了令人滿意的結(jié)果[10]。此外，自適應(yīng)模糊神經(jīng)推理系統(tǒng)（adaptive neuro-fuzzy inference system，ANFIS）也應(yīng)用于預(yù)測領(lǐng)域。近年來，模糊邏輯在大氣污染預(yù)測中表現(xiàn)良好。Domańska和Wojtylak[11]提出了一個新穎的基于模糊邏輯關(guān)系的模型，在污染物濃度預(yù)測中具有較高的精度。Güler-Dincer和Akku?[12]提出了一種基于魯棒聚類的FTS模型，能夠成功地處理大氣污染序列中嵌入的異常觀測值。當(dāng)然，F(xiàn)TS預(yù)測方法也存在不可避免的缺點，主要包括以下三個方面：①語言值過多；②缺乏可靠的間隔長度；③間隔設(shè)置過短，可能導(dǎo)致一些空集。因此，為了優(yōu)化FTS預(yù)測方法，研究人員將其他方法（如優(yōu)化算法）與FTS預(yù)測方法相結(jié)合，在一定程度上克服了上述缺點，如模糊C均值聚類、基于熵的離散化（entropy-based discretization，EBD）算法、遺傳算法（genetic algorithm，GA）、粒子群優(yōu)化（particle swarm optimization，PSO）算法等。 近年來，隨著各種預(yù)測技術(shù)的發(fā)明，人們提出了許多混合模型，并利用它們來提高各領(lǐng)域的預(yù)測精度和穩(wěn)定性。為了解決現(xiàn)有的問題，實現(xiàn)時間序列預(yù)測的高精度，研究人員試圖基于各種方法的優(yōu)勢將多種方法結(jié)合起來，稱為混合方法。例如，Pai[13]將混合方法應(yīng)用于電力負(fù)荷預(yù)測系統(tǒng)并取得了較好的預(yù)測效果。一般混合模型首先采用一定的策略對原始信號進行預(yù)處理，然后通過優(yōu)化的預(yù)測器進行預(yù)測[14]。優(yōu)化算法受生物進化的啟發(fā)，在處理復(fù)雜問題時具有良好的有效性，它通常與其他預(yù)測方法相結(jié)合，并以選擇和識別參數(shù)為目標(biāo)。例如，在與神經(jīng)網(wǎng)絡(luò)的結(jié)合中，優(yōu)化算法不依賴主觀經(jīng)驗來確定參數(shù)；相反，它可以通過客觀的算法選擇更合理的神經(jīng)網(wǎng)絡(luò)參數(shù)。Liao[15]將改進的差分進化（differential evolution，DE）算法與小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network，WNN）模型相結(jié)合，建立了電力負(fù)荷預(yù)測的混合模型。Zhao和Guo[16]提出了一種新的混合優(yōu)化灰色模型來預(yù)測年電力負(fù)荷序列。Hu等[17]提出了一種用于短期負(fù)荷預(yù)測的混合過濾-包裝特征選擇方法。Niu等[18]將奇異譜分析（singular spectrum analysis，SSA）、非線性多層感知器網(wǎng)絡(luò)和集成智能優(yōu)化算法相結(jié)合，建立了短期負(fù)荷預(yù)測的混合模型。Azimi等[19]認(rèn)為單一模型無法計算出時間序列數(shù)據(jù)的特征，因此建立了一種新的混合模型來預(yù)測短期電力負(fù)荷。Khashei和Bijari[20]認(rèn)為單一模型無法保證數(shù)據(jù)生成的真實過程，因此提出了一種基于ARIMA模型的ANN混合模型，并依靠三個已知的真實數(shù)據(jù)集驗證了模型的有效性。Shukur和Lee[21]提出了一種包含ANN和ARIMA的混合模型，充分利用了兩種模型的線性和非線性優(yōu)勢。為了提高預(yù)測質(zhì)量，Niu等[22]建立了一種新的混合神經(jīng)網(wǎng)絡(luò)模型，并結(jié)合一些統(tǒng)計方法進行預(yù)測。Lu和Wang[23]使用支持向量機（support vector machine，SVM）開發(fā)了一個增長的層次SOM來預(yù)測產(chǎn)品需求。Okumus和Dinler[24]將自適應(yīng)神經(jīng)模糊推理系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合，對風(fēng)能進行預(yù)測，實驗結(jié)果表明，所提出的混合模型優(yōu)于單一模型。Che和Wang[25]提出了基于SVM和ARIMA的混合模型，可以更準(zhǔn)確地預(yù)測線性和非線性趨勢。Meng等[26]開發(fā)了一種混合模型，應(yīng)用小波包分解、交叉優(yōu)化算法和ANN對短期風(fēng)速進行預(yù)測，實驗結(jié)果表明，在一步、三步或五步預(yù)測，該混合模型均有*小的平均絕對百分比誤差（mean absolute percentage error，MAPE）。Zhang等[27]提出了一種包含混合回溯搜索算法（hybrid backtracking search algorithm，HBSA）、優(yōu)化的變分模態(tài)分解（optimized variational mode decomposition，OVMD）和極限學(xué)習(xí)機（extreme learning machine，ELM）的混合模型，研究結(jié)果表明，混合模型在風(fēng)速預(yù)測方面的性能更好。同樣，Du等[28]采用完整集合經(jīng)驗?zāi)B(tài)分解（complementary ensemble empirical mode decomposition，CEEMD）和Elman神經(jīng)網(wǎng)絡(luò)（Elman neural network，ENN）構(gòu)成新的混合模型，在風(fēng)速預(yù)測中取得了更準(zhǔn)確的結(jié)果。Barman等[29]提出了一種基于SVM的混合短期負(fù)荷預(yù)測模型，該模型采用蝗蟲優(yōu)化算法（grasshopper optimization algorithm，GOA）對網(wǎng)絡(luò)參數(shù)進行優(yōu)化，以達(dá)到高精度。Li等[30]提出了一種基于ELM的混合模型，該模型融合了經(jīng)典的數(shù)據(jù)預(yù)處理策略。Rana和Koprinska[31]提出了一種混合模型——高級小波神經(jīng)網(wǎng)絡(luò)（advanced wavelet neural network，AWNN），首先利用改進的小波分析對原始數(shù)據(jù)進行分解，然后根據(jù)神經(jīng)網(wǎng)絡(luò)進行預(yù)測。通過將不同的數(shù)據(jù)預(yù)處理策略、簡單的統(tǒng)計或人工智能預(yù)測模塊與智能優(yōu)化算法相結(jié)合，建立了多種混合模型。大量的實驗結(jié)果表明，與單一模型相比，混合模型的預(yù)測精度有了很大的提高。 混合模型能夠充分利用各個模塊的優(yōu)點，但同時可能產(chǎn)生新的缺陷。首先，大多數(shù)研究強調(diào)時間序列預(yù)測的準(zhǔn)確性，從而忽略了預(yù)測的穩(wěn)定性。研究發(fā)現(xiàn)，大多數(shù)混合模型使用單目標(biāo)優(yōu)化算法，包括PSO算法、GA、螢火蟲算法（firefly algorithm，F(xiàn)A）、布谷鳥搜索（cuckoo search，CS）算法等。這些算法只能提高預(yù)測的準(zhǔn)確性，但不能同時提高預(yù)測的穩(wěn)定性。然而，預(yù)測的準(zhǔn)確性和穩(wěn)定性對于模型來說是同等重要的。片面強調(diào)準(zhǔn)確性而忽視穩(wěn)定性可能會導(dǎo)致時間序列預(yù)測模型在實際應(yīng)用中出現(xiàn)不適應(yīng)性的問題。其次，混合模型中使用的許多單一預(yù)測方法對數(shù)據(jù)特征的綜合學(xué)習(xí)能力有限，大量的混合模型僅僅使用具有簡單結(jié)構(gòu)的統(tǒng)計方法或人工智能方法，使得模型缺乏足夠的全局學(xué)習(xí)能力，導(dǎo)致預(yù)測性能不理想。*后，混合模型中所使用的數(shù)據(jù)預(yù)處理策略主要包括經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition，EMD）、小波變換（wavelet transform，WT）、SSA等，這些預(yù)處理策略可能存在模態(tài)混疊、對全局的噪聲去除效果較差、隨著信噪比的降低去噪能力下降等缺點，因此不足以有效去除數(shù)據(jù)中的異常值和噪聲，從而影響預(yù)測結(jié)果。 在實際應(yīng)用中，如果選擇多種預(yù)測模型對時間序列進行預(yù)測，不同的預(yù)測模型提供的信息不同，因此預(yù)測精度存在差異。如果簡單地丟棄預(yù)測誤差較大的模型，一些有價值的預(yù)測信息就會丟失[32]。雖然現(xiàn)有的單一模型在預(yù)測精度方面已經(jīng)達(dá)到較高的水平，但是任何單一模型都是對實際對象的簡化抽象，具有片面性，因此不足以全面地代表變量的實際情況。 解決上述問題的科學(xué)方法是將不同的單一模型進行組合，找到一個基于單一模型和優(yōu)化算法的組合模型，以更全面地反映數(shù)據(jù)內(nèi)部規(guī)律的動態(tài)現(xiàn)象和未來趨勢。一般來說，組合模型是綜合運用各種預(yù)測模型，以合適的組合形式構(gòu)建的變量預(yù)測模型，它在擬合單一模型時避免了信息的丟失，降低了隨機性，提高了預(yù)測精度。組合模型*初由Bates和Granger提出，他們證明了兩種預(yù)測模型的線性組合比單一模型能獲得更好的預(yù)測結(jié)果。Wang等[33]也證明了組合模型的預(yù)測精度高于單一模型。Xiao等[34]開發(fā)了基于多季節(jié)模式和改進FA的組合模型，并將其應(yīng)用于短期電力負(fù)荷預(yù)測。此外，Xiao等[35]開發(fā)了一種基于多目標(biāo)優(yōu)化算法的集成模型，并將其用來預(yù)測電力負(fù)荷。Yan
書友推薦
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
自卑與超越
- >
龍榆生：詞曲概論/大家小書
- >
名家?guī)阕x魯迅:故事新編
- >
【精裝繪本】畫給孩子的中國神話
- >
二體千字文
- >
巴金－再思錄
- >
苦雨齋序跋文-周作人自編集
本類暢銷
