刘辉，男，中南大学教授、博士生导师，中德双专业双工学博士。现任中南大学学术委员会委员、交通运输工程学院副院长。主持德国教研部Junior Group Leader基金、国家重点研发计划课题、国家自然科学基金等。作为第一或通讯作者发表SCI、EI论文60余篇，其中入选ESI热点论文、ESI高被引论文10余篇。作为第一完成人获教育部自然科学奖二等奖，主要完成人获国家科技进步奖一等奖。作为第一发明人授权国家发明专利40余项。专著2部由Springer与科学出版社合作出版。成果应用于我国青藏、兰新等强风铁路大风预警系统与德国CELISCA实验室智能运载机器人平台。

丛书序
前言
第一篇 时间序列重要性分析
第1章 绪论
1.1 概述及研究必要性
1.2 时间序列研究进展
1.2.1 时间序列辨识、建模与预测领域研究情况综述
1.2.2 铁路沿线大风风速序列分析研究情况综述
1.2.3 大气污染物浓度序列分析研究情况综述
1.2.4 股票价格序列分析研究情况综述
1.3 时间序列分析方法体系
1.4 时间序列分析理论基础
1.4.1 多步预测策略
1.4.2 时间序列预测精度评价指标
第二篇 铁路沿线风速混合智能辨识、建模与预测
第2章 铁路风速数据处理组合算法预测模型
2.1 引言
2.2 原始风速数据
2.3 数据处理组合算法模型
2.3.1 模型框架
2.3.2 理论基础
2.3.3 建模步骤
2.3.4 数据处理组合算法风速预测结果
2.4 特征选择数据处理组合算法模型
2.4.1 模型框架
2.4.2 理论基础
2.4.3 建模步骤
2.4.4 不同特征选择算法对数据处理组合算法模型精度的影响
2.5 分解特征选择数据处理组合算法模型
2.5.1 模型框架
2.5.2 建模步骤
2.5.3 不同特征选择算法对分解模型精度的影响
2.5.4 预测精度对比
2.6 模型预测精度综合对比分析
2.6.1 模型预测结果分析
2.6.2 预测精度对比分析
2.7 本章小结
第3章 铁路风速长短期记忆网络预测模型
3.1 引言
3.2 原始风速数据
3.2.1 建模风速序列
3.2.2 样本划分
3.3 长短期记忆网络预测模型
3.3.1 理论基础
3.3.2 建模步骤
3.3.3 长短期记忆网络模型风速预测结果
3.4 基于不同分解算法的长短期记忆网络预测模型
3.4.1 模型框架
3.4.2 建模步骤
3.4.3 不同分解算法对模型精度的影响
3.5 基于误差建模的不同分解算法预测模型
3.5.1 模型框架
3.5.2 理论基础
3.5.3 建模步骤
3.5.4 不同分解算法对模型精度的影响
3.6 模型预测精度综合对比分析
3.6.1 模型预测结果分析
3.6.2 预测精度对比分析
3.7 本章小结
第4章 铁路风速卷积门限循环单元预测模型
4.1 引言
4.2 原始风速数据
4.2.1 建模风速序列
4.2.2 样本划分
4.3 CNNGRU预测模型
4.3.1 模型框架
4.3.2 理论基础
4.3.3 建模步骤
4.3.4 不同深度网络模型精度分析
4.4 基于SSA的CNNGRU
4.4.1 模型框架
4.4.2 建模步骤
4.4.3 不同深度神经网络对模型精度的影响
4.5 模型预测精度综合对比分析
4.5.1 模型预测结果分析
4.5.2 预测精度对比分析
4.6 本章小结
第5章 铁路风速预测 Boosting集成预测模型
5.1 引言
5.2 原始风速数据
5.2.1 建模风速序列
5.2.2 风速序列划分
5.3 基于 Boosting算法的集成预测模型
5.3.1 模型框架
5.3.2 建模步骤
5.3.3 Boosting算法
5.4 模型预测精度综合对比分析
5.4.1 模型预测结果
5.4.2 预测步数对模型精度的影响
5.4.3 预测策略对模型精度的影响
5.4.4 Boosting算法对模型精度的影响
5.5 本章小结
第6章 基于Stacking的铁路风速集成预测模型
6.1 引言
6.2 原始风速数据
6.2.1 建模风速序列
6.2.2 样本划分
6.3 Stacking集成算法
6.4 Stacking预测模型
6.4.1 模型框架
6.4.2 建模步骤
6.4.3 模型预测结果
6.4.4 不同Stacking结构对预测精度的影响
6.5 Stacking分解预测模型
6.5.1 模型框架
6.5.2 建模过程
6.6 模型预测精度综合对比分析
6.6.1 模型预测结果
6.6.2 不同Stacking结构对预测精度的影响
6.6.3 分解算法对预测精度的影响
6.7 本章小结
第三篇 大气污染物浓度混合智能辨识、建模与预测
第7章 大气污染物浓度时间序列特征
7.1 大气污染物浓度分析的重要性
7.2 大气污染物类型
7.2.1 一次污染物与二次污染物
7.2.2 天然污染物与人为污染物
7.2.3 气态污染物与气溶胶态污染物
7.3 大气污染物浓度评价指标
7.4 不同大气污染物浓度相关性分析
7.4.1 大气污染物浓度数据
7.4.2 不同大气污染物浓度相关性研究
7.5 大气污染物浓度季节性分析
7.5.1 大气污染物浓度数据
7.5.2 非季节性污染物浓度时间序列预测模型
7.5.3 季节性污染物浓度时间序列预测模型
7.5.4 模型预测结果与精度对比分析
7.6 本章小结
第8章 大气污染物浓度确定性预测模型
8.1 引言
8.2 大气污染物浓度数据
8.2.1 原始污染物浓度时间序列
8.2.2 样本划分
8.3 不同分解框架下的大气污染物浓度混合预测模型
8.3.1 模型框架
8.3.2 Elman神经网络理论基础
8.3.3 建模步骤
8.3.4 不同分解算法

本书提出了时间序列混合智能辨识、建模与预测的理论和方法。内容分四篇共16章。第一篇阐述了时间序列分析的重要性，从文献计量学的角度对时间序列的最新国际研究进展进行了归纳总结，系统述了当前国内外主流时间序列辨识、建模与预测的计算策略和经典算法体系；第二篇介绍了铁路沿线风速混合智能辨识、建模与预测理论方法，包括基于特征提取的GMDH神经网络、长短期记忆深度网络、卷积门限循环单元网络、 Boosting集成预测和Stacking集成预测模型；第三篇提供了智慧城市大气污染物浓度的特征分析方法及浓度时间序列建模与预测模型，包括点预测、区间预测、聚类混合预测和时空混合预测等理论；第四篇对金融股票价格时间序列进行特征提取与混合预测，包括贝叶斯统计预测模型、BP/Elman/RBF等神经网络预测模型、CNN/LSTM/BiLSTM等深度网络预测模型。本书提供了各类模型的预测实例。
本书可供从事人工智能、数据科学、时间序列分析、智能铁路、智慧城市、空气质量和经济计量等相关领域的研究学者、博士研究生、硕士研究生、高年级本科生和相关部门的管理人员参考使用。