第1章 绪论.
1.1 事故
1.1.1 事故的定义
1.1.2 事故的指标
1.1.3 事故的特征
1.2 事故预测
1.2.1 预测原理
1.2.2 事故预测过程
I.3 事故预测方法
1.3.1 回归预测法
1.3.2 时间序列预测法
1.3.3 马尔可夫预测法
1.3.4 灰色预测法
1.3.5 贝叶斯网络预测法
1.3.6 神经网络预测法
第2章 回归预测法
2.1 概述
2.1.1 回归分析概述
2.1.2 回归预测法概述
2.1.3 回归分析的事故预测概述
2.2 一元回归模型
2.2.1 线性化
2.2.2 参数估计
2.2.3 模型检验
2.2.4 预测模型
2.3 多元回归模型
2.3.1 参数估计
2.3.2 模型检验
2.3.3 自变量选择
2.3.4 预测模型
2.3.5 事故预测举例
2.4 线性回归注意的问题
2.4.1 残差分析
2.4.2 异方差问题
2.4.3 自相关问题
2.5 离散预测模型
2.5.1 泊松回归模型
2.5.2 负二项回归模型
2.5.3 logit模型
2.6 事故预测实例
第3章 时间序列预测法
3.1 概述
3.1.1 时间序列简介
3.1.2 时间序列预测法概述
3.1.3 事故预测的时间序列预测法
3.2 基础知识
3.2.1 基本概念
3.2.2 平稳性和可逆性
3.2.3 滑动平均过程(moving average processes)
3.2.4 自回归模型(autoregressive model)
3.2.5 自回归滑动平均模F2J(autoregressivemoving average model)
3.3 ARMA建模
3.3.1 模型的识别和定阶
3.3.2 模型的参数估计
3.3.3 模型的检验
3.3.4 模型的预测
3.4 ARIMA建模
3.4.1 平稳性的检验
3.4.2 非平稳数据的处理
3.4.3 ARIMA模型
3.4.4 ARIMA建模
3.4.5 ARIMA季节模型
3.5 指数平滑模型
3.5.1 Brown指数平滑模型
3.5.2 Holt指数平滑法
3.5.3 Holt-Winters指数平滑法
3.6 预测实例
3.6.1 ARIMA预测
3.6.2 指数平滑模型
第4章 马尔可夫链预测法
4.1 概述
4.1.1 马尔可夫链简介
4.1.2 马尔可夫链预测简介
4.1.3 马尔可夫链事故预测
4.2 马氏链的基础知识
4.2.1 马氏链的基本概念
4.2.2 马尔可夫链的状态分类
4.2.3 平稳分布和遍历性
4.2.4 隐马尔可夫链
4.2.5 吸收态马尔可夫链预测模型
4.3 状态空间的划分
4.3.1 经验分组法
4.3.2 样本均值均方差分级法
4.3.3 有序样本聚类法
4.3.4 基于目标函数的模糊ISODATA聚类分析法
4.4 转移概率的计算和检验
4.4.1 马氏链转移概率的计算
4.4.2 马氏性的检验
4.4.3 齐次性的检验
4.5 马尔可夫链预测法
4.5.1 传统马氏链预测法及其改进
4.5.2 高阶马尔可夫链预测
4.5.3 隐马尔可夫链的预测算法
4.6 预测实例
第5章 灰色预测法..
5.1 概述
5.1.1 灰色系统理论
5.1.2 灰色预测简介
5.1.3 五步建模思想
5.1.4 灰色事故预测
5.2 基础知识
5.2.1 灰生成
5.2.2 灰关联分析
5.3 GM(1，1)建模
5.3.1 GM(1，1)模型
5.3.2 残差修正模型
5.3.3 灰色灾变预测
5.3.4 GM(1，1)模型的适用范围
5.4 几种典型的GM模型
5.4.1 GM(M，N)模型
5.4.2 GM(1，N)模型
5.4.3 GM(0，N)模型
5.4.4 Verhulst模型
5.4.5 灰色模型的适用场合
5.5 模型的改进
5.5.1 基于残差修正的改进模型
5.5.2 基于初始条件和信息更新的改进模型
5.5.3 基于数据变换的改进模型
5.5.4 针对内部建模机制的改进模型
5.6 事故预测实例分析
5.6.1 模型的建立
5.6.2 模型的检验
5.6.3 预测结果和分析
第6章 贝叶斯网络预测法
6.1 概述
6.1.1 贝叶斯网络简介
6.1.2 事故预测应用
6.1.3 贝叶斯网络的概念
6.2 预备知识
6.2.1 先验概率
6.2.2 信息论基础
6.2.3 势函数理论
6.3 贝叶斯网络学习
6.3.1 参数学习
6.3.2 结构学习
6.4 贝叶斯网络推理
6.4.1 变量消元法(VE)
6.4.2 超树推理法(polytree)
6.4.3 连接树推理法(junctiontree)
6.5 扩展模型
6.5.1 定性贝叶斯网
6.5.2 高斯贝叶斯网络
6.5.3 动态贝叶斯网
6.5.4 多模块贝叶斯网
6.5.5 面向对象的贝叶斯网
第7章 神经网络预测法
7.1 概述
7.1.1 人工神经网络概述
7.1.2 神经网络预测概述
7.1.3 神经网络事故预测概述
7.2 神经网络的基础知识
7.2.1 人工神经网络的基本结构和模型
7.2.2 BP神经网络
7.2.3 RBF神经网络
7.2.4 神经网络建模的注意问题
7.3 神经网络预测模型
7.3.1 神经网络趋势预测
7.3.2 神经网络回归预测
7.4 预测实例
7.4.1 神经网络趋势预测实例
7.4.2 神经网络回归预测实例
第8章 组合预测
8.1 概述
8.1.1 组合预测法简介
8.1.2 组合预测的事故预测简介
8.1.3 预测的评价
8.2 模型组合法
8.2.1 灰色马尔可夫预测模型
8.2.2 灰色线性回归预测模型
8.2.3 ARIMA神经网络混合预测模型
8.3 结果组合法
8.3.1 非最优组合模型方法
8.3.2 最优组合预测方法
8.3.3 神经网络组合法
参考文献...
