更新时间：2024-08-22 11:22:59
封面
版权信息
内容简介
译者序
前言
致谢
第一部分 时间不等人
第1章 了解时间序列预测
1.1 时间序列简介
1.2 时间序列预测概览
1.3 时间序列预测与其他回归任务的差异
1.4 下一步
第2章 对未来的简单预测
2.1 定义基线模型
2.2 预测历史均值
2.3 预测最后一年的均值
2.4 使用最后已知数值进行预测
2.5 实现简单的季节性预测
2.6 下一步
第3章 来一次随机游走
3.1 随机游走过程
3.2 识别随机游走
3.3 预测随机游走
3.4 下一步
3.5 练习
第二部分 使用统计模型进行预测
第4章 移动平均过程建模
4.1 定义移动平均过程
4.2 预测移动平均过程
4.3 下一步
4.4 练习
第5章 自回归过程建模
5.1 预测零售店平均每周客流量
5.2 定义自回归过程
5.3 求平稳自回归过程的阶数
5.4 预测自回归过程
5.5 下一步
5.6 练习
第6章 复杂时间序列建模
6.1 预测数据中心带宽使用量
6.2 研究自回归移动平均过程
6.3 确定一个平稳的ARMA过程
6.4 设计一个通用的建模过程
6.5 应用通用建模过程
6.6 预测带宽使用情况
6.7 下一步
6.8 练习
第7章 非平稳时间序列预测
7.1 定义差分自回归移动平均模型
7.2 修改通用建模过程以考虑非平稳序列
7.3 预测一个非平稳时间序列
7.4 下一步
7.5 练习
第8章 考虑季节性
8.1 研究SARIMA(p d q)(P D Q)m模型
8.2 识别时间序列的季节性模式
8.3 预测航空公司每月乘客数量
8.4 下一步
8.5 练习
第9章 向模型添加外生变量
9.1 研究SARIMAX模型
9.2 使用SARIMAX模型预测实际GDP
9.3 下一步
9.4 练习
第10章 预测多变量时间序列
10.1 研究VAR模型
10.2 设计VAR(p)建模过程
10.3 预测实际可支配收入和实际消费
10.4 下一步
10.5 练习
第11章 顶点项目：预测澳大利亚抗糖尿病药物处方的数量
11.1 导入所需的库并加载数据
11.2 可视化序列及其分量
11.3 对数据进行建模
11.4 预测和评估模型的性能
11.5 下一步
第三部分 使用深度学习进行大规模预测
第12章 将深度学习引入时间序列预测
12.1 何时使用深度学习进行时间序列预测
12.2 探索不同类型的深度学习模型
12.3 准备应用深度学习进行预测
12.4 下一步
12.5 练习
第13章 数据窗口和创建深度学习基线
13.1 创建数据窗口
13.2 应用基线模型
13.3 下一步
13.4 练习
第14章 初步研究深度学习
14.1 实现线性模型
14.2 实现深度神经网络
14.3 下一步
14.4 练习
第15章 使用LSTM记住过去
15.1 探索递归神经网络
15.2 研究LSTM架构
15.3 实现LSTM架构
15.4 下一步
15.5 练习
第16章 使用CNN过滤时间序列
