PYTHON时间序列预测

目　　录
译者序
前　言
致　谢
**部分　时间不等人
第1章　了解时间序列预测　 3
1.1　时间序列简介　 4
1.2　时间序列预测概览　 7
1.2.1　设定目标　 8
1.2.2　确定预测对象　 8
1.2.3　设置预测范围　 8
1.2.4　收集数据　 8
1.2.5　开发预测模型　 8
1.2.6　部署到生产中　 9
1.2.7　监控　 9
1.2.8　收集新的数据　 9
1.3　时间序列预测与其他回归任务的
差异　 10
1.3.1　时间序列有顺序　 10
1.3.2　时间序列有时没有特征　 10
1.4　下一步　 11
第2章　对未来的简单预测　 12
2.1　定义基线模型　 13
2.2　预测历史均值　 14
2.2.1　基线实现准备　 15
2.2.2　实现历史均值基线　 16
2.3　预测*后一年的均值　 19
2.4　使用*后已知数值进行预测　 21
2.5　实现简单的季节性预测　 22
2.6　下一步　 23
第3章　来一次随机游走　 25
3.1　随机游走过程　 26
3.2　识别随机游走　 29
3.2.1　平稳性　 29
3.2.2　平稳性检验　 31
3.2.3　自相关函数　 34
3.2.4　把它们组合在一起　 34
3.2.5　GOOGL是随机游走吗　 37
3.3　预测随机游走　 39
3.3.1　长期预测　 39
3.3.2　预测下一个时间步长　 44
3.4　下一步　 46
3.5　练习　 46
3.5.1　模拟和预测随机游走　 46
3.5.2　预测GOOGL的每日收盘价　 47
3.5.3　预测你选择的股票的每日
收盘价　 47
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　 51
4.1　定义移动平均过程　 52
4.2　预测移动平均过程　 57
4.3　下一步　 64
4.4　练习　 65
4.4.1　模拟MA(2)过程并做预测　 65
4.4.2　模拟MA(q)过程并做预测　 65
第5章　自回归过程建模　 67
5.1　预测零售店平均每周客流量　 67
5.2　定义自回归过程　 69
5.3　求平稳自回归过程的阶数　 70
5.4　预测自回归过程　 76
5.5　下一步　 82
5.6　练习　 82
5.6.1　模拟AR(2)过程并做预测　 82
5.6.2　模拟AR(p)过程并做预测　 83
第6章　复杂时间序列建模　 84
6.1　预测数据中心带宽使用量　 85
6.2　研究自回归移动平均过程　 86
6.3　确定一个平稳的ARMA过程　 88
6.4　设计一个通用的建模过程　 91
6.4.1　了解AIC　 92
6.4.2　使用AIC选择模型　 93
6.4.3　了解残差分析　 95
6.4.4　进行残差分析　 99
6.5　应用通用建模过程　 102
6.6　预测带宽使用情况　 108
6.7　下一步　 112
6.8　练习　 113
6.8.1　对模拟的ARMA(1,1)过程
进行预测　 113
6.8.2　模拟ARMA(2,2)过程并
进行预测　 113
第7章　非平稳时间序列预测　 115
7.1　定义差分自回归移动平均模型　 116
7.2　修改通用建模过程以考虑
非平稳序列　 117
7.3　预测一个非平稳时间序列　 119
7.4　下一步　 125
7.5　练习　 126
第8章　考虑季节性　 127
8.1　研究SARIMA(p,d,q)(P,D,Q)m
模型　 128
8.2　识别时间序列的季节性模式　 129
8.3　预测航空公司每月乘客数量　 133
8.3.1　使用ARIMA(p,d,q)模型进行
预测　 135
8.3.2　使用SARIMA(p,d,q)(P,D,Q)m
模型进行预测　 139
8.3.3　比较每种预测方法的性能　 142
8.4　下一步　 144
8.5　练习　 145
第9章　向模型添加外生变量　 146
9.1　研究SARIMAX模型　 147
9.1.1　探讨美国宏观经济数据集的
外生变量　 148
9.1.2　使用SARIMAX的注意
事项　 150
9.2　使用SARIMAX模型预测实际
GDP　 151
9.3　下一步　 158
9.4　练习　 159
第10章　预测多变量时间序列　 160
10.1　研究VAR模型　 161
10.2　设计VAR(p)建模过程　 163
10.3　预测实际可支配收入和实际
消费　 164
10.4　下一步　 174
10.5　练习　 174
10.5.1　使用VARMA模型预测realdpi和realcons　 174
10.5.2　使用VARMAX模型预测realdpi和realcons　 175
第11章　顶点项目：预测澳大利亚
抗糖尿病药物处方的数量　 176
11.1　导入所需的库并加载数据　 177
11.2　可视化序列及其分量　 178
11.3　对数据进行建模　 180
11.3.1　进行模型选择　 181
11.3.2　进行残差分析　 183
11.4　预测和评估模型的性能　 184
11.5　下一步　 187
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　 191
12.1　何时使用深度学习进行时间
序列预测　 191
12.2　探索不同类型的深度学习
模型　 192
12.3　准备应用深度学习进行预测　 194
12.3.1　进行数据探