新华正版 Python编程：时间序列分析入门与实战应用 王恺编著 9787113291785 中国铁道出版社有限公司

王恺

数据挖掘算法工程师

上海大学通信工程学院硕士，任职于千寻位置网络有限公司(阿里巴巴&中国兵器)算法工程师，负责数据挖掘、知识图谱、计算机视觉等技术在时空智能领域的落地研究。

第1章初识时间序列

1.1时间序列的概念

1.2时间序列的特点

1.3统计学基础

1.4时间序列的分解

第2章线性时间序列分析

2.1平稳性

2.2自相关性

2.3白噪声与随机游走

2.4自回归移动平均模型

第3章时间序列分析常用模型

3.1线性回归模型

3.2 Prophet模型

3.3 NeuralProphet模型

第4章神经网络

4.1人工神经网络

4.2神经网络的基本原理

4.3神经网络实战

4.4卷积神经网络(CNN)

第5章RNN应用于时间序列

5.1循环神经网络(RNN)

5.2 LSTM模型

5.3GRU模型

5.4神经网络训练中的优化技巧

5.5LSTM实战

第6章CNN 应用于时间序列

6.1因果卷积

6.2空洞卷积/膨胀卷积

6.3残差模块

6.4权重归一化

6.5TCN 模型

6.6TCN实战

第7章Transformer应用于时间序列

7.1 Seq2Seq

7.2注意力Attention

7.3位置编码

7.4前馈网络(FFN)

7.5层归一化

7.6 Transformer 模型结构

7.7 Transformer实战

附录A数据集介绍

A.1数据集

A.2数据可视化

A.3数据处理

1.2时间序列的特点

时间序列分析是对客观事物发展规律具有连续性的反映,它假定事物过去的发展规律会延伸到未来,通过时序分析,就可以推测未来的发展趋势。一般情况下,客观事物的发展具有以下三个特征。

(1)事物的发展是连续变化的,通常情况下,在单位时间内总是以一个较小的变化向前发展。

(2)过去发生的规律在未来也会延续,过去与现在的关系,也会延伸到现在与未来。

(3)在某些特殊条件下，会出现跳跃式变化,但不会一直持续这种变化趋势。

这就决定了时间序列分析对于短期、平稳变化的预测比较准确,对于长期、跳变的预测会显著偏离实际值。

时间序列的波动特性是隐藏在序列中规律性与不规律性相互作用的结果。图1-1所示为沪深300指数在2010-2022年的时间序列。一个时间序列的典型特征包括以下四种:

(1)趋势:趋势是时间序列在某一方向上的持续运动,现象是在较长时期内受某种根本性因素作用而形成的总的变动趋势。

(2)季节变化:季节变化是时间序列发生的有规律的周期性变化,许多时间序列中包含季节变化，比如煤炭的价格。

3)相关性:时间序列的一个重要特征是序列的自相关性,它描述了时间序列前后各点之间存在一定的关系，这也是时间序列能够进行拟合及预测的重要依据。

(4)随机噪声:它是序列中除去趋势、季节变化的剩余部分,由于时间序列存在不确定性，随机噪声总是夹杂在时间序列中,致使时间序列表现出某种震荡式的无规律运动。

……

本书将结合原理与实战，既有通俗易懂的举例说明，也有严谨的数学公式推导。读者可以简单地应用一些代码调用来完成工作，并具有一定时序的分析能力，会组合多种手段达到最优效果。第1章介绍时间序列入门与基础知识，包括时间序列的特点、基本问题(预测、诊断)以及应用领域的一些案例。第2章介绍编程环境搭建，包括安装Python以及依赖的一些机器学习库，这些常用库的介绍和简单的编程实战。第3章介绍时间序列分解，平稳性、相关性分析，arima模型与holt-winters模型。第4章介绍线性回归模型、逻辑回归模型、fbprophet模型(来自Facebook的paper)。第5章介绍arch模型、garch模型。第6章介绍神经网络、LSTM模型、TCN模型(来自paper)。