第一部分 预测入门篇
第1章 预测入门 2
1.1　什么是预测 3
1.1.1 预测的定义 3
1.1.2 预测的特点 4
1.1.3 预测的分类 4
1.1.4 预测的基本原则 5
1.2　大数据与预测 7
1.2.1 什么是大数据 7
1.2.2 大数据预测的优势 9
1.2.3 大数据预测的特征 9
1.2.4 大数据预测案例 12
1.3　预测利器之R语言 22
1.3.1 R语言简介 22
1.3.2 R语言预测初步 33
1.3.3 R语言预测常用包 42
第2章 预测方法论 44
2.1　预测流程 45
2.1.1 确定主题 45
2.1.2 收集数据 47
2.1.3 选择方法 49
2.1.4 分析规律 53
2.1.5 建立模型 57
2.1.6 评估效果 60
2.1.7 发布模型 60
2.2　指导原则 61
2.2.1 界定问题 61
2.2.2 判断预测法 63
2.2.3 外推预测法 64
2.2.4 因果预测法 66
2.3　团队构成 66
2.3.1 成员分类 67
2.3.2 数据氛围 68
2.3.3 团队合作 70
第3章 分析方法 72
3.1　相关分析 73
3.1.1 自相关分析 73
3.1.2 偏相关分析 74
3.1.3 简单相关分析 75
3.1.4 互相关分析 83
3.1.5 典型相关分析 84
3.2　对应分析 88
3.3　频谱分析 92
3.4　趋势分析 94
3.5　聚类分析 96
3.5.1 K-Means算法 96
3.5.2 系统聚类算法 99
3.6　关联分析 105
3.6.1 关联规则挖掘：Apriori与Eclat算法 105
3.6.2 序列模式挖掘：SPADE算法 119
第4章 特征构建技术 132
4.1　特征变换 133
4.1.1 概念分层 134
4.1.2 标准化 136
4.1.3 离散化 139
4.1.4 函数变换 142
4.1.5 深入表达 143
4.2　特征组合 143
4.2.1 基于特定的领域知识 143
4.2.2 二元组合 144
4.2.3 高阶多项式 148
4.3　自动生成：基于遗传编程的方法 152
4.3.1 基本思路 153
4.3.2 特征表达式 154
4.3.3 产生初始种群 162
4.3.4 计算适应度 163
4.3.5 选择、交叉和变异 165
4.3.6 实例分析 171
第5章 特征选择方法 176
5.1　直接法 177
5.2　单元法 177
5.2.1 Pearson相关系数 177
5.2.2 距离相关系数 179
5.2.3 单因素方差分析 181
5.2.4 信息增益 184
5.2.5 卡方检验 191
5.2.6 Gini系数 194
5.3　多元法 198
5.3.1 逐步回归 198
5.3.2 随机森林 203
5.3.3 遗传算法 210
第6章 模型参数优化 213
6.1　交叉验证 214
6.2　网格搜索 215
6.3　遗传算法 217
6.3.1 基本概念 217
6.3.2 遗传算法算例 218
6.3.3 遗传算法实现步骤 223
6.3.4 遗传算法R语言实现 223
6.3.5 R语言mcga和genalg包的应用 228
6.4　粒子群优化 233
6.4.1 基本概念及原理 233
6.4.2 粒子群算法R语言实现 235
6.4.3 粒子群算法实现步骤 238
6.4.4 R语言pso包的应用 239
6.5　模拟退火 241
6.5.1 基本概念及原理 241
6.5.2 模拟退火算法R语言实现 242
6.5.3 模拟退火算法实现步骤 244
6.5.4 R语言GenSA和stats包的应用 245
第7章 预测效果评估 250
7.1　概率预测评估方法 251
7.1.1 混淆矩阵 251
7.1.2 ROC曲线 255
7.1.3 KS曲线 261
7.1.4 累计收益图 263
7.1.5 累计提升图 264
7.1.6 累计响应图 266
7.2　数值预测评估方法 267
7.2.1 常见评估指标 267
7.2.2 ASD累计收益图 270
第二部分 预测算法篇
第8章 线性回归及其优化 274
8.1　多元线性回归 275
8.1.1 回归模型和基本假定 275
8.1.2 最小二乘估计 276
8.1.3 回归方程和回归系数的显著性检验 276
8.1.4 多重共线性 277
8.2　 Ridge回归 280
8.2.1 基本概念 281
8.2.2 岭迹曲线 281
8.2.3 基于GCV准则确定岭参数 283
8.2.4 Ridge回归的R语言实现 284
8.3　 Lasso回归 285
8.3.1 基本概念 285
8.3.2 使用LAR求解Lasso 286
8.3.3 Lasso算法的R语言实现 288
8.3.4 R语言lars包的应用 290
8.4　分位数回归 292
8.4.1 基本概念 292
8.4.2 分位数回归的计算 294
8.4.3 用单纯形法求解分位数回归及R语言实现 296
8.4.4 R语言quantreg包的应用 298
8.5　稳健回归 300
8.5.1 基本概念 301
8.5.2 M-估计法及其R语言实现 301
8.5.3 应用R语言MASS包实现稳健回归 304
第9章 复杂回归分析 307
9.1　梯度提升回归树（GBRT） 308
9.1.1 Boosting方法简介 308
9.1.2 AdaBoost算法 308
9.1.3 提升回归树算法 311
9.1.4 梯度提升 312
9.1.5 GBRT的R语言实现 314
9.1.6 R语言gbm包的应用 316
9.2　神经网络 320
9.2.1 基本概念 320
9.2.2 单层感知器学习算法 322
9.2.3 SLP回归算法的R语言实现 323
9.2.4 BP神经网络学习算法 325
9.2.5 BP回归算法的R语言实现 327
9.2.6 RBF神经网络学习算法 330
9.2.7 RBF回归算法的R语言实现 332
9.2.8 Elman神经网络学习算法 334
9.2.9 Elman回归算法的R语言实现 336
9.2.10 使用R语言包构建神经网络 338
9.3　支持向量机回归 343
9.3.1 基本问题 344
9.3.2 LS-SVMR算法 347
9.3.3 LS-SVMR算法的R语言实现 348
9.4　高斯过程回归 349
9.4.1 GPR算法 350
9.4.2 GPR算法的R语言实现 352
9.4.3 R语言kernlab包的应用 355
第10章 时间序列分析 358
10.1　 Box-Jenkins方法 359
10.1.1 p阶自回归模型 359
10.1.2 q阶移动平均模型 361
10.1.3 自回归移动平均模型 363
10.1.4 ARIMA模型 365
10.1.5 ARIMA模型的R语言实现 367
10.1.6 R语言forecast包的应用 373
10.2　门限自回归模型 376
10.2.1 TAR模型的基本原理 376
10.2.2 TAR模型的R语言实现 377
10.2.3 R语言TSA包的应用 380
10.3　 GARCH模型族 382
10.3.1 线性ARCH模型 382
10.3.2 GRACH模型 383
10.3.3 EGARCH模型 384
10.3.4 Power ARCH模型 384
10.3.5 PARCH模型的R语言实现 385
10.3.6 R语言fGarch包的应用 395
10.4　向量自回归模型 398
10.4.1 VAR模型基本原理 398
10.4.2 VAR模型的R语言实现 399
10.4.3 R语言vars包的应用 403
10.5　卡尔曼滤波器算法 405
10.5.1 Kalman滤波算法初步 406
10.5.2 Kalman滤波的R语言实现 407
10.5.3 R语言FKF包的应用 409
第三部分 预测应用篇
第11章 短期日负荷曲线预测 414
11.1　电力行业负荷预测介绍 415
11.2　短期日负荷曲线预测的基本要求 415
11.3　预测建模准备 416
11.3.1 基础数据采集 416
11.3.2 缺失数据处理及平滑 418
11.3.3 潜在规律分析 421
11.4　基于RBF神经网络的预测 426
11.4.1 RBF网络结构设计 426
11.4.2 确定最优参数 427
11.4.3 建模并实现预测 431
11.4.4 效果评估 433
11.5　基于LS-SVMR算法的预测 435
11.5.1 确定最优参数 436
11.5.2 建模并实现预测 438
11.5.3 效果评估 439
第12章 股票价格预测 442
12.1　股票市场简介 443
12.1.1 股票的基本概念 443
12.1.2 股票市场常用术语 443
12.1.3 股价波动的影响因素 447
12.2　获取股票数据 452
12.3　基于VAR算法的预测 455
12.3.1 平稳性检验 455
12.3.2 VAR模型定阶 456
12.3.3 预测及效果验证 457
参考文献 459
· · · · · · (收起)