PYTHON时间序列预测
新华书店全新正版，极速发货，假一罚十，可开电子发票，请放心购买。
￥ 66.23 5.1折 ￥ 129 全新
库存18件
天津西青
认证卖家担保交易快速发货售后保障
作者[加]马可·佩塞罗(Marco Peixeiro)
出版社机械工业出版社
ISBN9787111754466
出版时间2024-06
装帧平装
开本16开
定价129元
货号1203309397
上书时间2024-10-23
- 在售商品 暂无
- 平均发货时间 16小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
目录
目 录<br />译者序<br />前 言<br />致 谢<br />第一部分 时间不等人<br />第1章 了解时间序列预测 3<br />1.1 时间序列简介 4<br />1.2 时间序列预测概览 7<br />1.2.1 设定目标 8<br />1.2.2 确定预测对象 8<br />1.2.3 设置预测范围 8<br />1.2.4 收集数据 8<br />1.2.5 开发预测模型 8<br />1.2.6 部署到生产中 9<br />1.2.7 监控 9<br />1.2.8 收集新的数据 9<br />1.3 时间序列预测与其他回归任务的<br />差异 10<br />1.3.1 时间序列有顺序 10<br />1.3.2 时间序列有时没有特征 10<br />1.4 下一步 11<br />第2章 对未来的简单预测 12<br />2.1 定义基线模型 13<br />2.2 预测历史均值 14<br />2.2.1 基线实现准备 15<br />2.2.2 实现历史均值基线 16<br />2.3 预测最后一年的均值 19<br />2.4 使用最后已知数值进行预测 21<br />2.5 实现简单的季节性预测 22<br />2.6 下一步 23<br />第3章 来一次随机游走 25<br />3.1 随机游走过程 26<br />3.2 识别随机游走 29<br />3.2.1 平稳性 29<br />3.2.2 平稳性检验 31<br />3.2.3 自相关函数 34<br />3.2.4 把它们组合在一起 34<br />3.2.5 GOOGL是随机游走吗 37<br />3.3 预测随机游走 39<br />3.3.1 长期预测 39<br />3.3.2 预测下一个时间步长 44<br />3.4 下一步 46<br />3.5 练习 46<br />3.5.1 模拟和预测随机游走 46<br />3.5.2 预测GOOGL的每日收盘价 47<br />3.5.3 预测你选择的股票的每日<br />收盘价 47<br />第二部分 使用统计模型进行预测<br />第4章 移动平均过程建模 51<br />4.1 定义移动平均过程 52<br />4.2 预测移动平均过程 57<br />4.3 下一步 64<br />4.4 练习 65<br />4.4.1 模拟MA(2)过程并做预测 65<br />4.4.2 模拟MA(q)过程并做预测 65<br />第5章 自回归过程建模 67<br />5.1 预测零售店平均每周客流量 67<br />5.2 定义自回归过程 69<br />5.3 求平稳自回归过程的阶数 70<br />5.4 预测自回归过程 76<br />5.5 下一步 82<br />5.6 练习 82<br />5.6.1 模拟AR(2)过程并做预测 82<br />5.6.2 模拟AR(p)过程并做预测 83<br />第6章 复杂时间序列建模 84<br />6.1 预测数据中心带宽使用量 85<br />6.2 研究自回归移动平均过程 86<br />6.3 确定一个平稳的ARMA过程 88<br />6.4 设计一个通用的建模过程 91<br />6.4.1 了解AIC 92<br />6.4.2 使用AIC选择模型 93<br />6.4.3 了解残差分析 95<br />6.4.4 进行残差分析 99<br />6.5 应用通用建模过程 102<br />6.6 预测带宽使用情况 108<br />6.7 下一步 112<br />6.8 练习 113<br />6.8.1 对模拟的ARMA(1,1)过程<br />进行预测 113<br />6.8.2 模拟ARMA(2,2)过程并<br />进行预测 113<br />第7章 非平稳时间序列预测 115<br />7.1 定义差分自回归移动平均模型 116<br />7.2 修改通用建模过程以考虑<br />非平稳序列 117<br />7.3 预测一个非平稳时间序列 119<br />7.4 下一步 125<br />7.5 练习 126<br />第8章 考虑季节性 127<br />8.1 研究SARIMA(p,d,q)(P,D,Q)m<br />模型 128<br />8.2 识别时间序列的季节性模式 129<br />8.3 预测航空公司每月乘客数量 133<br />8.3.1 使用ARIMA(p,d,q)模型进行<br />预测 135<br />8.3.2 使用SARIMA(p,d,q)(P,D,Q)m<br />模型进行预测 139<br />8.3.3 比较每种预测方法的性能 142<br />8.4 下一步 144<br />8.5 练习 145<br />第9章 向模型添加外生变量 146<br />9.1 研究SARIMAX模型 147<br />9.1.1 探讨美国宏观经济数据集的<br />外生变量 148<br />9.1.2 使用SARIMAX的注意<br />事项 150<br />9.2 使用SARIMAX模型预测实际<br />GDP 151<br />9.3 下一步 158<br />9.4 练习 159<br />第10章 预测多变量时间序列 160<br />10.1 研究VAR模型 161<br />10.2 设计VAR(p)建模过程 163<br />10.3 预测实际可支配收入和实际<br />消费 164<br />10.4 下一步 174<br />10.5 练习 174<br />10.5.1 使用VARMA模型预测realdpi和realcons 174<br />10.5.2 使用VARMAX模型预测realdpi和realcons 175<br />第11章 顶点项目：预测澳大利亚<br />抗糖尿病药物处方的数量 176<br />11.1 导入所需的库并加载数据 177<br />11.2 可视化序列及其分量 178<br />11.3 对数据进行建模 180<br />11.3.1 进行模型选择 181<br />11.3.2 进行残差分析 183<br />11.4 预测和评估模型的性能 184<br />11.5 下一步 187<br />第三部分 使用深度学习进行大规模预测<br />第12章 将深度学习引入时间序列<br />预测 191<br />12.1 何时使用深度学习进行时间<br />序列预测 191<br />12.2 探索不同类型的深度学习<br />模型 192<br />12.3 准备应用深度学习进行预测 194<br />12.3.1 进行数据探索 195<br />12.3.2 特征工程和数据拆分 198<br />12.4 下一步 202<br />12.5 练习 202<br />第13章 数据窗口和创建深度学习<br />基线 204<br />13.1 创建数据窗口 204<br />13.1.1 探索如何训练深度学习<br />模型用于时间序列预测 205<br />13.1.2 实现数据窗口类 208<br />13.2 应用基线模型 215<br />13.2.1 单步基线模型 215<br />13.2.2 多步基线模型 217<br />13.2.3 多输出基线模型 220<br />13.3 下一步 223<br />13.4 练习 223<br />第14章 初步研究深度学习 225<br />14.1 实现线性模型 225<br />14.1.1 实现单步线性模型 226<br />14.1.2 实现多步线性模型 228<br />14.1.3 实现多输出线性模型 229<br />14.2 实现深度神经网络 230<br />14.2.1 实现单步深度神经网络<br />模型 232<br />14.2.2 实现多步深度神经网络<br />模型 234<br />14.2.3 实现多输出深度神经网络<br />模型 236<br />14.3 下一步 237<br />14.4 练习 237<br />第15章 使用LSTM记住过去 239<br />15.1 探索递归神经网络 239<br />15.2 研究LSTM架构 241<br />15.2.1 遗忘门 242<br />15.2.2 输入门 243<br />15.2.3 输出门 244<br />15.3 实现LSTM架构 245<br />15.3.1 实现单步LSTM模型 245<br />15.3.2 实现多步LSTM模型 247<br />15.3.3 实现多输出LSTM模型 249<br />15.4 下一步 252<br />15.5 练习 252<br />第16章 使用CNN过滤时间序列 254<br />16.1 研究卷积神经网络 254<br />16.2 实现CNN 257<br />16.2.1 实现单步CNN模型 258<br />16.2.2 实现多步CNN模型 261<br />16.2.3 实现多输出CNN模型 263<br />16.3 下一步 264<br />16.4 练习 265<br />第17章 使用预测做出更多预测 267<br />17.1 研究ARLSTM架构 267<br />17.2 构建自回归LSTM模型 269<br />17.3 下一步 273<br />17.4 练习 273<br />第18章 顶点项目：预测一个家庭的<br />用电量 274<br />18.1 了解顶点项目 275<br />18.2 数据整理和预处理 277<br />18.2.1 处理缺失数据 278<br />18.2.2&n
— 没有更多了 —
以下为对购买帮助不大的评价