本书旨在克服传统组合预测模型的弊端，结合人工智能优化算法，提出适应大数据下时间序列预测的组合预测模型；在传统的组合预测理论与方法的研究中，大多数研究并未考虑子模型的选择问题，组合权重为负的问题，以及样本的权重问题，因此，与传统的组合预测理论不同，本书着重组合模型中子模型的选择研究，子模型权重为负的研究，以及样本权重的确定问题；本书的研究不仅丰富了组合预测方法的理论体系，而且可用于风能等实际生产中。
本书可以为运筹学、统计学、管理科学和工程管理专业的高年级本科生提供学习参考，也可以为工程技术人员、管理人员和相关学者提供管理参考。

第1章 绪论
1.1 预测及预测方法的发展与现状
1.1.1 依性质分类的预测方法
1.1.2 依周期分类的预测方法
1.1.3 依其他因素分类的预测方法
1.2 时间序列的预测及预测方法分类
1.3 预测评估
1.4 集合预测
1.5 组合预测
1.5.1 组合预测模型的分类
1.5.2 组合预测的现状
1.5.3 组合模型中单项模型选择方法的发展与现状
1.6 本书的研究内容
第2章 组合模型中子模型的选择方法
2.1 .预测冗余信息的存在性及其判定
2.2 信息理论及其在模型选择中的应用
2.2.1 预备知识
2.2.2 信息在特征选择中的应用
2.2.3 邻域互信息在最优子集选择中的应用
2.3 本章提出的子模型选择算法
2.3.1 本章提出的最优子模型选择方法中参数6的选取
2.3.2 本章提出的基于NMI-MRMR子模型选择算法的组合模型
2.3.3 本章采用的组合方法
2.4 本章提出的模型在时间序列分析中的应用
2.4.1 实验数据和预测模型的设定
2.4.2 实例模拟结果与分析
2.5 本章小结
第3章 基于人工智能算法和无非负限卷Il的最优组合模型
3.I基于合作对策模式的组合模型权重分配
3.2 基于合作对策模式的最优传统组合模型
3.3 基于无非负限制的组合模型(TCM—NNCT}算法
3.3.1 预备知识
3.3.2 CPSO一-CM-NNCT模型
3.3.3 GA--CM-NNCT模型
3.4 本章提出的模型在时间序列分析中的应用
3.4.1 数据来源及数据收集
3.4.2 数据处理
3.4.3 预测模型设计
3.4.4 模型评价指标
3.4.5 风速数据实验结果及分析
3.4.6 电价数据实验结果及分析
3.5 本章小结
第4章 基于Adaboost算法的组合在线学习策略
4.1 预备知识
4.1.1 PAC学习和学习函数的变型空间
4.1.2 学习函数的学习能力
4.1.3 学习函数的泛化能力
4.1.4 感知器及其收敛定理
4.2 基于不同策略的在线分配问题
4.2 .l Boosting算法
4.2.2 经典的Adab。ost算法及误差收敛性定理
4.3 基于误差和时变权重的Adaboost组合算法
4.3.1 时间序列中的概念漂移
4.3.2 预测有效度函数
4.3.3 TW.FE—Adaboost组合算法
4.4本章提出的算法在风速时间序列中的应用
4.4.1 数据收集及实验设置
4.4.2 实验结果分析
4.5 本章小结
第5章 结论与展望
参考文献

笔者在硕博士就读期间一直从事组合预测模型的理论及应用研究，本书是在笔者博士学位论文的基础上编写的。本书引入人工智能优化算法和信息理论，在前辈研究内容的基础上对传统组合预测方法存在的弊端进行改进，从如下三个方面针对组合预测模型进行研究：第一，针对组合预测模型的子模型选择问题进行研究；第二，针对传统的组合预测模型的权重确定方法存在的弊端，采用基于人工智能择优方法确定组合预测模型中单项预测模型的权重；第三，对Adaboost算法进行改进，提出基于单项模型和样本权重双重权重控制的组合预测模型。