事故预测理论与方法pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

事故预测理论与方法PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论 1

1.1事故 1

事故的定义 1

事故的指标 2

事故的特征 3

1.2事故预测 3

预测原理 3

事故预测过程 3

1.3事故预测方法 4

回归预测法 5

时间序列预测法 6

马尔可夫预测法 7

灰色预测法 7

贝叶斯网络预测法 8

神经网络预测法 9

第2章 回归预测法 10

2.1概述 10

回归分析概述 10

回归预测法概述 10

回归分析的事故预测概述 12

2.2一元回归模型 12

线性化 13

参数估计 14

模型检验 18

预测模型 22

2.3多元回归模型 24

参数估计 25

模型检验 27

自变量选择 29

预测模型 35

事故预测举例 37

2.4线性回归注意的问题 37

残差分析 38

异方差问题 38

自相关问题 41

2.5离散预测模型 44

泊松回归模型 44

负二项回归模型 47

logit模型 48

2.6事故预测实例 52

第3章 时间序列预测法 55

3.1概述 55

时间序列简介 55

时间序列预测法概述 55

事故预测的时间序列预测法 57

3.2基础知识 57

基本概念 57

平稳性和可逆性 58

滑动平均过程（moving average processes） 59

自回归模型（autoregressive model） 60

自回归滑动平均模型（autoregressive moving average model） 63

3.3 ARMA建模 65

模型的识别和定阶 65

模型的参数估计 67

模型的检验 70

模型的预测 71

3.4 ARIMA建模 75

平稳性的检验 76

非平稳数据的处理 80

ARIMA模型 80

ARIMA建模 83

ARIMA季节模型 84

3.5指数平滑模型 85

Brown指数平滑模型 85

Holt指数平滑法 89

Holt-Winters指数平滑法 90

3.6预测实例 92

ARIMA预测 92

指数平滑模型 95

第4章 马尔可夫链预测法 98

4.1概述 98

马尔可夫链简介 98

马尔可夫链预测简介 98

马尔可夫链事故预测 99

4.2马氏链的基础知识 99

马氏链的基本概念 99

马尔可夫链的状态分类 100

平稳分布和遍历性 102

隐马尔可夫链 104

吸收态马尔可夫链预测模型 110

4.3状态空间的划分 111

经验分组法 111

样本均值均方差分级法 112

有序样本聚类法 113

基于目标函数的模糊ISODATA聚类分析法 116

4.4转移概率的计算和检验 119

马氏链转移概率的计算 119

马氏性的检验 121

齐次性的检验 121

4.5马尔可夫链预测法 122

传统马氏链预测法及其改进 122

高阶马尔可夫链预测 124

隐马尔可夫链的预测算法 125

4.6预测实例 125

第5章 灰色预测法 129

5.1概述 129

灰色系统理论 129

灰色预测简介 129

五步建模思想 130

灰色事故预测 131

5.2基础知识 132

灰生成 132

灰关联分析 134

5.3 GM（1，1）建模 135

GM（1，1）模型 136

残差修正模型 140

灰色灾变预测 141

GM（1，1）模型的适用范围 144

5.4几种典型的GM模型 144

GM（M，N）模型 144

GM（1，N）模型 145

GM（0，N）模型 146

Verhulst模型 147

灰色模型的适用场合 148

5.5模型的改进 149

基于残差修正的改进模型 149

基于初始条件和信息更新的改进模型 150

基于数据变换的改进模型 152

针对内部建模机制的改进模型 156

5.6事故预测实例分析 158

模型的建立 158

模型的检验 159

预测结果和分析 161

第6章 贝叶斯网络预测法 162

6.1概述 162

贝叶斯网络简介 162

事故预测应用 163

贝叶斯网络的概念 164

6.2预备知识 165

先验概率 165

信息论基础 167

势函数理论 169

6.3贝叶斯网络学习 169

参数学习 170

结构学习 177

6.4贝叶斯网络推理 183

变量消元法（VE） 183

超树推理法（polytree） 187

连接树推理法（junction tree） 188

6.5扩展模型 192

定性贝叶斯网 192

高斯贝叶斯网络 195

动态贝叶斯网 199

多模块贝叶斯网 204

面向对象的贝叶斯网 207

第7章 神经网络预测法 210

7.1概述 210

人工神经网络概述 210

神经网络预测概述 211

神经网络事故预测概述 211

7.2神经网络的基础知识 212

人工神经网络的基本结构和模型 212

BP神经网络 218

RBF神经网络 223

神经网络建模的注意问题 227

7.3神经网络预测模型 229

神经网络趋势预测 229

神经网络回归预测 231

7.4预测实例 233

神经网络趋势预测实例 233

神经网络回归预测实例 235

第8章 组合预测 239

8.1概述 239

组合预测法简介 239

组合预测的事故预测简介 239

预测的评价 240

8.2模型组合法 241

灰色马尔可夫预测模型 241

灰色线性回归预测模型 247

ARIMA神经网络混合预测模型 250

8.3结果组合法 254

非最优组合模型方法 254

最优组合预测方法 257

神经网络组合法 265

参考文献 268