人类社会正在快速进入人工智能(artificial intelligence,AI)时代,AI有两个显著性标志:一是大数据;二是大模型。大数据,即海量数据,而且这类数据多数表面上看没有规律,称为非平稳大数据。大模型,即结构复杂的数学模型。大模型的具体结构与大数据的性质相匹配,不同的大数据需要不同的大模型来处理。在工程、技术、经济、社会等领域的大数据往往都是非平稳状态的,这种非平稳状态的大数据需要相应的大模型来处理。本书针对非平稳大数据开展包括处理和预测在内的大模型研究,目的是建立一种能够对数据进行趋势和周期判断的动态处理方法,且这种判断不依赖于统计检验,即利用递推法建立趋势、周期(季节)和随机模型,并对模型进行实时纠正,以便于计算机计算并进行实时预测。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 非平稳大数据 1
1.1.1 非平稳大数据的概念 2
1.1.2 非平稳大数据的主要特征 3
1.1.3 非平稳大数据的处理与计算方法 6
1.1.4 综述 11
1.2 关于大模型及算法 12
1.2.1 概念与内涵 12
1.2.2 大模型和算法的类型 14
1.2.3 大模型和算法的应用场景 18
1.2.4 大模型和算法小结 19
1.3 关于预测 20
1.3.1 基于数学模型的预测方法 21
1.3.2 非平稳数据的预测问题 24
1.3.3 基于大数据与大模型的预测方法 27
1.3.4 结论 29
1.4 本章小结 30
第2章 传统大模型及算法 34
2.1 指数修匀法 34
2.2 ARMA(p,q)方法 35
2.3 ARIMA(p,d,q)方法 38
2.4 卡尔曼滤波 40
2.5 组合模型 44
2.6 各种方法的比较 45
第3章 大模型构建 47
3.1 假设与前提 47
3.2 趋势的判断及模型的建立 48
3.2.1 趋势的判断 48
3.2.2 构建趋势的数学模型 53
3.2.3 预测公式 54
3.3 周期模型的建立 56
3.3.1 周期的判断 56
3.3.2 周期(季节)因素动态处理 59
3.3.3 预测公式及精度 64
3.4 随机数据处理及预测模型 65
3.4.1 随机处理模型 65
3.4.2 阶数p的确定 67
3.4.3 预测公式 70
3.5 总的预测值及其不确定度 71
第4章 算法实证 72
4.1 算法实现 73
4.1.1 算法的主要功能 73
4.1.2 主程序框图 73
4.2 限定记忆容量M的确定问题 73
4.3 结果分析 77
4.3.1 趋势因素的动态分析 77
4.3.2 周期(季节)因素的动态分析 79
4.3.3 随机因素的动态分析 82
4.4 最后预测值及其不确定度 85
4.5 结果分析 86
4.6 本章小结 86
附录 88
参考文献 118