預(yù)測理論與方法及其MATLAB實(shí)現(xiàn)

第1章 預(yù)測概述 1
1.1 預(yù)測的分類 1
1.2 預(yù)測的步驟 2
1.3 預(yù)測的精度 4
第2章 定性預(yù)測方法 6
2.1 市場調(diào)查預(yù)測法 6
2.1.1 經(jīng)營管理人員意見調(diào)查預(yù)測法 6
2.1.2 銷售人員意見調(diào)查預(yù)測法 7
2.1.3 商品展銷、訂貨會調(diào)查預(yù)測法 7
2.1.4 試銷調(diào)查預(yù)測法 8
2.2 集合意見預(yù)測法 8
2.3 專家會議預(yù)測法 8
2.3.1 交鋒式會議法 8
2.3.2 非交鋒式會議法 8
2.3.3 混合式會議法 9
2.3.4 頭腦風(fēng)暴法 9
2.3.5 德爾菲法 10
2.4 類推預(yù)測法 13
2.4.1 類推預(yù)測法的基本原理 13
2.4.2 類推預(yù)測法的應(yīng)用 14
2.5 擴(kuò)散指數(shù)法 14
第3章 回歸分析預(yù)測法 16
3.1 回歸分析預(yù)測法概述 16
3.1.1 回歸模型的基本假定 17
3.1.2 相關(guān)關(guān)系與因果關(guān)系18
3.1.3 相關(guān)系數(shù) 19
3.1.4 異常點(diǎn)、高杠桿點(diǎn)、強(qiáng)影響觀測值和缺失值21
3.2 一元線性回歸分析預(yù)測法 22
3.2.1 一元線性回歸模型 22
3.2.2 回歸方程的檢驗(yàn) 22
3.2.3 回歸模型預(yù)測 25
3.3 多元線性回歸分析預(yù)測法 26
3.3.1 多元線性回歸模型 26
3.3.2 回歸方程的檢驗(yàn) 27
3.3.3 回歸模型預(yù)測 28
3.3.4 帶約束條件的回歸模型 28
3.4 違背回歸基本假定的回歸模型 29
3.4.1 多重共線性 29
3.4.2 逐步回歸法和嶺回歸估計(jì)法 33
3.4.3 自相關(guān) 35
3.4.4 異方差 41
3.4.5 隨機(jī)自變量與模型設(shè)定誤差 47
3.4.6 樣本觀察值分組平均數(shù)據(jù)的回歸參數(shù)估計(jì) 48
3.4.7 模型的制定偏誤 49
3.4.8 模型變量的觀測誤差 50
3.5 非線性回歸分析預(yù)測法 50
3.5.1 常用的可轉(zhuǎn)化為一元線性回歸的模型 50
3.5.2 一元多項(xiàng)式回歸 52
3.6 二項(xiàng)Logistic回歸分析預(yù)測法 53
3.6.1 二項(xiàng)Logistic回歸模型 53
3.6.2 混合Logistic模型 53
3.6.3 邏輯模型的估計(jì)方法 54
3.6.4 顯著性檢驗(yàn) 58
3.7 離散變量回歸模型預(yù)測法 59
3.7.1 帶虛擬變量的回歸模型 59
3.7.2 泊松回歸模型 64
3.7.3 負(fù)二項(xiàng)回歸模型 65
3.8 偏最小二乘方法預(yù)測法 66
3.8.1 主成分回歸模型 66
3.8.2 偏最小二乘回歸模型 69
3.9 聯(lián)立方程回歸模型預(yù)測法 71
3.9.1 變量和方程分類 71
3.9.2 聯(lián)立方程模型的類型 71
3.9.3 同時方程模型的識別 73
3.9.4 聯(lián)立方程模型的估計(jì)方法 74
3.10 分布滯后模型和自回歸模型預(yù)測法 77
3.10.1 短期效應(yīng)和長期效應(yīng) 78
3.10.2 分布滯后模型的直接估計(jì)法 78
3.10.3 自回歸模型 81
3.10.4 自回歸模型的估計(jì) 83
3.11 回歸分析預(yù)測法的MATLAB實(shí)戰(zhàn) 88
第4章 時間序列預(yù)測法 123
4.1 時間序列概述 123
4.1.1 時間序列的基本概念 123
4.1.2 時間序列的特點(diǎn) 125
4.1.3 時間序列特征的識別 126
4.1.4 非平穩(wěn)數(shù)據(jù)的處理 128
4.2 指數(shù)平滑預(yù)測模型 129
4.2.1 移動平均預(yù)測法 129
4.2.2 指數(shù)平滑預(yù)測法 130
4.2.3 Holt指數(shù)平滑預(yù)測法 132
4.2.4 Holt-Winters指數(shù)平滑預(yù)測法 133
4.2.5 具有季節(jié)性特點(diǎn)的時間序列的預(yù)測 134
4.3 自回歸過程模型AR(p) 135
4.3.1 自回歸的平穩(wěn)條件 135
4.3.2 自回歸過程的自相關(guān)系數(shù) 136
4.3.3 自回歸過程的識別、估計(jì)與檢驗(yàn) 137
4.4 移動平均過程模型MA(q) 138
4.4.1 移動平均過程的可轉(zhuǎn)換條件 138
4.4.2 移動平均過程的自相關(guān)系數(shù) 139
4.4.3 移動平均過程的識別、估計(jì)與檢驗(yàn) 139
4.5 自回歸移動平均模型ARMA(p,q) 140
4.5.1 自回歸移動平均模型的概念 140
4.5.2 ARMA模型的識別、定階與檢驗(yàn) 140
4.6 ARIMA模型 142
4.7 條件異方差模型(ARCH) 142
4.8 均值生成函數(shù)法 143
4.8.1 均生函數(shù) 143
4.8.2 周期外延預(yù)測模型 144
4.8.3 動態(tài)數(shù)據(jù)的雙向差分建模 148
4.8.4 0 1時間序列的分析與建模 152
4.9 時間序列預(yù)測的MATLAB實(shí)戰(zhàn) 153
第5章 馬爾可夫鏈預(yù)測法168
5.1 基礎(chǔ)知識 168
5.1.1 基本概念 168
5.1.2 平穩(wěn)分布和遍歷性 169
5.2 狀態(tài)空間的劃分 170
5.2.1 經(jīng)驗(yàn)分組法 170
5.2.2 樣本均值、均方差分級法 170
5.2.3 有序樣本聚類法 171
5.3 轉(zhuǎn)移概率的計(jì)算和檢驗(yàn) 172
5.3.1 馬氏鏈轉(zhuǎn)移概率的計(jì)算 172
5.3.2 馬氏性的檢驗(yàn) 173
5.3.3 齊次性的檢驗(yàn) 173
5.4 馬氏鏈預(yù)測法模型 173
5.4.1 基于絕對分布的馬氏鏈預(yù)測法 173
5.4.2 疊加馬氏鏈預(yù)測法 174
5.4.3 加權(quán)馬氏鏈預(yù)測法 175
5.4.4 吸收態(tài)馬氏鏈預(yù)測法 175
5.5 馬氏鏈預(yù)測法的MATLAB實(shí)戰(zhàn) 176
第6章 灰色預(yù)測 186
6.1 灰色系統(tǒng)的基礎(chǔ)知識 186
6.1.1 灰 數(shù) 186
6.1.2 灰數(shù)白化與灰度 187
6.1.3 灰色序列生成算子 187
6.2 灰色分析 189
6.2.1 灰色關(guān)聯(lián)分析 189
6.2.2 無量綱化關(guān)鍵算子 190
6.2.3 數(shù)據(jù)預(yù)處理 191
6.2.4 關(guān)聯(lián)分析的主要步驟 191
6.3 灰色系統(tǒng)建模 192
6.3.1 GM(1,1)模型 192
6.3.2 GM(1,1)模型檢驗(yàn) 193
6.3.3 GM(1,1)殘差修正模型 194
6.3.4 GM(M,N)模型 195
6.3.5 GM(1,N)模型 196
6.3.6 GM(0,N)模型 197
6.3.7 灰色Verhulst模型 197
6.3.8 GM(1,1)冪模型 198
6.3.9 灰色災(zāi)變預(yù)測模型 198
6.4 模型的改進(jìn) 199
6.4.1 基于殘差修正的改進(jìn)模型 199
6.4.2 基于初始條件和信息更新的改進(jìn)模型 200
6.4.3 基于數(shù)據(jù)變換的改進(jìn)模型 201
6.4.4 針對內(nèi)部建模機(jī)制的改進(jìn)模型 204
6.5 灰色預(yù)測法的MATLAB實(shí)戰(zhàn) 206
第7章 人工神經(jīng)網(wǎng)絡(luò)預(yù)測法 211
7.1 人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識 211
7.1.1 人工神經(jīng)元 211
7.1.2 傳遞函數(shù) 212
7.1.3 網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) 212
7.1.4 網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì) 215
7.1.5 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則 215
7.1.6 神經(jīng)網(wǎng)絡(luò)的分類和特點(diǎn) 216
7.2 BP人工神經(jīng)網(wǎng)絡(luò) 217
7.2.1 BP算法 217
7.2.2 BP算法的改進(jìn) 218
7.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF) 219
7.3.1 RBF的結(jié)構(gòu)與學(xué)習(xí)算法 219
7.3.2 RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的比較 221
7.4 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用要點(diǎn) 221
7.5 人工神經(jīng)網(wǎng)絡(luò)方法的缺陷 223
7.6 人工神經(jīng)網(wǎng)絡(luò)預(yù)測法的MATLAB實(shí)戰(zhàn) 223
第8章 基于分形理論的預(yù)測法 233
8.1 分形理論的基礎(chǔ)知識 233
8.1.1 分形理論的提出 233
8.1.2 分形的定義 234
8.1.3 分形的特性 234
8.1.4 分形維數(shù)的定義 236
8.2 常維和變維分形預(yù)測 238
8.3 時間序列的Hurst指數(shù)與R/S分析法 239
8.3.1 Hurst指數(shù)及其分形預(yù)測 239
8.3.2 Takens相空間重構(gòu)方法 240
8.4 基于分形理論預(yù)測法的MATLAB實(shí)戰(zhàn) 243
第9章 基于小波分析的預(yù)測法 247
9.1 小波分析的數(shù)學(xué)基礎(chǔ) 247
9.1.1 小波的定義 248
9.1.2 小波變換 250
9.1.3 小波函數(shù)的選擇 251
9.2 多分辨分析 251
9.2.1 多分辨分析的基本原理 252
9.2.2 Mallat算法 252
9.3 小波包分析 253
9.3.1 小波包的定義 254
9.3.2 小波包分解與重構(gòu)算法 254
9.4 時間序列的小波預(yù)測法 255
9.4.1 小波預(yù)測模型的基本思想 255
9.4.2 小波預(yù)測法的基本步驟 256
9.5 基于小波分析預(yù)測法的MATLAB實(shí)戰(zhàn) 257
第10章 支持向量機(jī)預(yù)測法 264
10.1 支持向量機(jī)理論基礎(chǔ) 264
10.1.1 VC維 264
10.1.2 期望風(fēng)險 264
10.1.3 結(jié)構(gòu)風(fēng)險最小化 265
10.2 支持向量機(jī) 266
10.2.1 線性可分情況 266
10.2.2 線性不可分情況 267
10.3 支持向量機(jī)回歸 269
10.3.1 損失函數(shù) 269
10.3.2 線性回歸 270
10.3.3 非線性回歸 270
10.3.4 最小二乘支持向量機(jī)回歸 271
10.4 支持向量機(jī)預(yù)測模型 272
10.5 支持向量機(jī)預(yù)測法的MATLAB實(shí)戰(zhàn) 275
第11章 模糊預(yù)測法 278
11.1 模糊系統(tǒng)理論基礎(chǔ) 278
11.1.1 模糊集合 278
11.1.2 模糊關(guān)系 280
11.1.3 模糊集合的度量 282
11.1.4 模糊規(guī)則和推理 283
11.2 模糊預(yù)測模型 284
11.2.1 模糊聚類預(yù)測模型 284
11.2.2 模糊時序分析預(yù)測模型 286
11.2.3 模糊回歸分析預(yù)測模型 288
11.2.4 模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型 290
11.3 模糊預(yù)測法的MATLAB實(shí)戰(zhàn) 292
第12章 組合預(yù)測法 301
12.1 組合預(yù)測法技術(shù) 301
12.2 預(yù)測性能評價方法 302
12.2.1 精度指標(biāo) 302
12.2.2 樣本外檢驗(yàn)和樣本內(nèi)檢驗(yàn) 303
12.2.3 動態(tài)時間彎曲距離評價方法 303
12.2.4 二階預(yù)測有效度評價方法 303
12.2.5 預(yù)測模型的準(zhǔn)確率 304
12.3 模型組合法 305
12.3.1 灰色馬爾可夫預(yù)測模型 305
12.3.2 灰色線性回歸預(yù)測模型 306
12.3.3 ARIMA神經(jīng)網(wǎng)絡(luò)混合預(yù)測模型 306
12.4 結(jié)果組合法 307
12.4.1 非最優(yōu)組合模型預(yù)測方法 308
12.4.2 最優(yōu)組合模型預(yù)測方法 309
12.5 基于數(shù)據(jù)預(yù)處理的組合預(yù)測模型 315
12.6 基于模型參數(shù)和結(jié)構(gòu)優(yōu)化的組合預(yù)測模型 315
12.7 基于誤差修正技術(shù)的組合預(yù)測模型 316
12.8 組合預(yù)測法的MATLAB實(shí)戰(zhàn) 318
參考文獻(xiàn) 330