第1章 绪论 1
1.1 研究背景与意义 1
1.2 国内外研究现状 3
1.2.1 主流时序预测技术研究综述 3
1.2.2 清洁能源与国家风险预测技术研究综述 10
1.3 本书主要内容 15
1.3.1 研究思路与技术路线 15
1.3.2 章节结构安排 16
1.3.3 主要创新点 17
第2章 方法论理论框架 19
2.1 核心思想 19
2.1.1 “数据特征驱动建模”思想 19
2.1.2 “先分解后集成”思想 21
2.1.3 流程框架 23
2.2 实证设计 25
2.2.1 研究样本 25
2.2.2 评价标准 31
2.3 本章小结 32
第3章 数据特征识别 34
3.1 数据特征识别的重要性 34
3.2 数据特征及其相互关系 35
3.3 数据特征识别方案 39
3.3.1 本质特征确定 40
3.3.2 模式特征度量 46
3.3.3 主要步骤 50
3.4 数据特征识别方案的应用 53
3.4.1 研究样本的本质特征确定 53
3.4.2 研究样本的模式特征度量 57
3.5 本章小结 68
第4章 分解集成模型 70
4.1 分解集成模型的提出 70
4.2 分解集成模型方法 71
4.2.1 分解方法 72
4.2.2 预测方法 75
4.2.3 集成方法 79
4.3 分解集成模型的应用 79
4.3.1 准确性评价 80
4.3.2 方向性评价 87
4.3.3 统计检验 91
4.3.4 结果小结 93
4.4 本章小结 93
第5章 数据特征驱动的时序分解 95
5.1 数据特征驱动时序分解的重要性 95
5.2 数据特征驱动分解方法 96
5.2.1 时域分析方法 97
5.2.2 时频分析方法 100
5.2.3 瞬频分析方法 101
5.2.4 分解方法与数据特征 103
5.3 数据特征驱动时序分解的应用 104
5.3.1 传统分解方法下的预测结果 106
5.3.2 自适性分解方法下的预测结果 111
5.3.3 数据特征驱动分解的有效性 116
5.4 本章小结 122
第6章 数据特征驱动的模态预测 124
6.1 数据特征驱动模态预测的重要性 124
6.2 数据特征驱动模态预测方法 125
6.2.1 方法类别与本质特征 127
6.2.2 模式变量与模式特征 132
6.3 数据特征驱动模态预测的应用 133
6.3.1 方法类别选择 134
6.3.2 模式变量引入 141
6.4 本章小结 150
第7章 数据特征驱动的集成预测 152
7.1 数据特征驱动集成预测的重要性 152
7.2 数据特征驱动集成预测方法 153
7.2.1 拟合回归方法 153
7.2.2 简单集成方法 154
7.2.3 集成方法与数据特征 155
7.3 数据特征驱动集成预测的应用 156
7.3.1 数据类型1的预测结果 157
7.3.2 数据类型2的预测结果 161
7.3.3 数据类型3的预测结果 162
7.4 本章小结 164
第8章 总结与展望 165
8.1 本书主要研究工作 165
8.2 本书主要研究成果 166
8.3 研究展望 168
参考文献 169