本书基于回声状态网络ESN研究时间序列分类和预测问题：第一，分析了面向时间序列分析的ESN；第二，研究了基于DE和ESN的时间序列分类方法；第三，研究了基于BSA优化ESN的时间序列预测方法；第四，研究了基于组合ESN的时间序列预测方法；第五，设计了基于小波ESN的旅游需求预测模型；第六，构建了基于双储备池ESN的电力负荷预测模型；第七，设计了基于VMD和改进ESN的风速预测模型；第八，提出了基于Bagging和ESN的能源消费量预测。这些研究成果可以帮助行业和企业管理人员提高复杂数据环境下的预测水平。

目录
1　面向时间序列分析的ESN　1
1.1　时间序列分析面临的挑战　1
1.2　ESN原理分析　5
1.3　ESN时间序列分类　11
1.4　ESN时间序列预测　14
1.5　本章小结　17
2　基于DE和ESN的时间序列分类　18
2.1　引言　18
2.2　分类器Conceptor　19
2.3　基于ADE算法优化的分类器　23
2.4　数值实验和结果分析　27
2.5　本章小结　38
3　基于BSA优化ESN的时间序列预测　39
3.1　引言　39
3.2　BSA及其改进　41
3.3　设计的BSA-ESN混合预测模型　46
3.4　数值实验和结果分析　48
3.5　本章小结　59
4　基于组合ESN的时间序列预测　61
4.1　引言　61
4.2　所选个体预测模型分析　65
4.3　线性组合预测模型　69
4.4　数值实验和结果分析　79
4.5　本章小结　86
5　基于小波ESN的旅游需求预测　87
5.1　引言　87
5.2　具有小世界特性的小波ESN预测模型　90
5.3　基于SW-W-ESN模型的旅游需求预测　95
5.4　本章小结　103
6　基于双储备池ESN的电力负荷预测　104
6.1　引言　104
6.2　改进BSA优化双储备池ESN的混合预测模型　106
6.3　基于IBSA-DRESN的单因素电力负荷预测　115
6.4　基于IBSA-DRESN的多因素电力负荷预测　123
6.5　本章小结　130
7　基于VMD和改进ESN的风速预测　131
7.1　引言　131
7.2　构建的VMD-DE-ESN混合预测模型　134
7.3　实验设置　138
7.4　实验结果展示与分析　142
7.5　本章小结　158
8　基于Bagging和ESN的能源消费量预测　160
8.1　引言　160
8.2　设计的BDEESN预测模型　162
8.3　实验设置　165
8.4　实验结果展示与分析　172
8.5　本章小结　180
参考文献　182
后记　198