时间序列分析与Python实例

第1章 概述 / 1 1.1 时间序列分析基础 / 1 1.1.1 时间序列特性 / 1 1.1.2 时间序列数据预处理 / 3 1.2 时间序列预测 / 14 1.2.1 滑动窗口 / 14 1.2.2 数据集划分 / 20 1.2.3 预测任务分类 / 20 1.2.4 预测任务描述 / 22 1.2.5 预测误差评价 / 24 1.2.6 预测可视化 / 30 1.3 时间序列预测常用框架 / 39 1.3.1 统计方法框架 / 39 1.3.2 机器学习模型框架 / 40 1.3.3 深度学习模型框架 / 40 1.4 常用优化技术 / 41 1.4.1 交叉验证 / 41 1.4.2 网格搜索 / 41 1.4.3 随机搜索 / 41 第2章 统计方法时间序列分析 / 42 2.1 时间序列分析 / 43 2.1.1 时间序列分析模型 / 43 2.1.2 时间序列分析流程 / 44 2.2 ARIMA模型预测实例 / 45 2.2.1 实例： Grid－SARIMA客流预测 / 45 2.2.2 实例： Auto－SARIMA销量预测 / 57 第3章 机器学习时间序列分析 / 66 3.1 数据集 / 67 3.2 K*近邻回归 / 69 3.2.1 模型介绍 / 69 3.2.2 实例： K*近邻（KNN）回归预测 / 69 3.3 多元线性回归 / 75 3.3.1 模型介绍 / 75 3.3.2 实例： 多元线性回归（MLR）预测 / 75 3.4 支持向量回归 / 81 3.4.1 模型介绍 / 81 3.4.2 实例： 支持向量回归（SVR）预测 / 81 3.5 决策树回归 / 87 3.5.1 模型介绍 / 87 3.5.2 实例： 决策树（DT）回归预测 / 87 3.6 随机森林回归 / 92 3.6.1 模型介绍 / 92 3.6.2 实例： 随机森林（RF）回归预测 / 93 3.7 梯度提升回归树 / 98 3.7.1 模型介绍 / 98 3.7.2 实例： 梯度提升回归树（GBRT）预测 / 98 3.8 极度梯度提升回归 / 104 3.8.1 模型介绍 / 104 3.8.2 实例： 极度梯度提升（XGBosst）回归预测 / 104 3.9 轻量梯度提升机回归 / 112 3.9.1 模型介绍 / 112 3.9.2 实例： 轻量梯度提升机（LightGBM）回归预测 / 113 3.10 Spark模型实现 / 121 第4章 深度学习时间序列分析 / 134 4.1 前馈神经网络 / 135 4.1.1 模型介绍 / 135 4.1.2 实例： 前馈神经网络（FNN）太阳黑子预测 / 136 4.2 循环神经网络 / 145 4.2.1 模型介绍 / 145 4.2.2 实例： 长短期记忆（LSTM）网络风速预测 / 147 4.2.3 实例： 门控循环单元（GRU）网络风电功率预测 / 155 4.3 卷积神经网络 / 164 4.3.1 模型介绍 / 164 4.3.2 实例： 卷积神经网络（CNN）电力负荷预测 / 166 4.3.3 实例： 时间卷积网络（TCN）网络流量预测 / 175 4.4 图神经网络 / 184 4.4.1 模型介绍 / 184 4.4.2 实例： 图卷积网络（GCN）空气污染指数预测 / 186 4.4.3 实例： 图注意力网络（GAT）交通流量预测 / 210 4.5 注意力网络 / 221 4.5.1 模型介绍 / 221 4.5.2 实例： 多头自注意力（MSA）网络温度预测 / 222 附录A Python开发环境配置 / 239 A.1 Ubuntu安装配置 / 239 A.2 Anaconda安装配置 / 240 A.3 pip配置 / 241 A.4 Python虚拟环境配置 / 242 A.5 Vscode安装配置 / 243 附录B Spark开发环境配置 / 245 B.1 Java安装配置 / 245 B.2 Scala和Hadoop安装配置 / 246 B.3 Spark安装配置 / 246 B.4 PySpark安装配置 / 248 附录C 项目工程结构 / 250 参考文献 / 253