时间序列与机器学习

第1 章时间序列概述 1 1.1 发展历程 1 1.2 应用现状 3 1.3 时间序列分类4 1.3.1 单维时间序列4 1.3.2 多维时间序列6 1.4 小结 8 第2 章时间序列的信息提取 9 2.1 特征工程的入门知识9 2.1.1 特征工程简介9 2.1.2 数值型特征 12 2.1.3 类别型特征 17 2.1.4 交叉特征 17 2.2 时间序列的预处理 18 2.2.1 时间序列的缺失值 18 2.2.2 时间序列的缩放 20 2.3 时间序列的特征工程24 2.4 时间序列的统计特征28 2.5 时间序列的熵特征 32 2.6 时间序列的降维特征38 2.6.1 分段聚合逼近38 2.6.2 分段线性逼近39 2.6.3 分段常数逼近41 2.6.4 符号逼近 42 2.6.5 *大三角形三桶算法43 2.6.6 用神经网络自动生成特征的算法 44 2.7 时间序列的单调性 53 2.7.1 线性拟合方法54 2.7.2 控制图方法 55 2.7.3 均线方法 60 2.8 小结 63 第3 章时间序列预测 64 3.1 时间序列预测的统计方法 65 3.1.1 自回归差分移动平均模型 65 3.1.2 指数平滑方法72 3.1.3 Prophet 75 3.2 时间序列预测的深度学习方法 83 3.2.1 循环神经网络83 3.2.2 长短期记忆网络 85 3.2.3 Transformer 90 3.2.4 Informer96 3.3 小结·100 第4 章时间序列异常检测 101 4.1 异常类型及检测方法分类 101 4.2 基于概率密度的方法 104 4.2.1 核密度估计原理 104 4.2.2 核密度估计方法 106 4.3 基于重构的方法 111 4.3.1 变分自编码器 111 4.3.2 Donut 115 4.4 基于距离的方法 117 4.4.1 孤立森林 118 4.4.2 RRCF 121 4.5 基于有监督的方法 125 4.6 基于弱监督的方法 127 4.7 小结 129 第5 章时间序列的相似度与聚类 130 5.1 相似度函数 130