時(shí)間序列分析與Python實(shí)例

第1章 概述 / 1

1.1 時(shí)間序列分析基礎(chǔ) / 1

1.1.1 時(shí)間序列特性 / 1

1.1.2 時(shí)間序列數(shù)據(jù)預(yù)處理 / 3

1.2 時(shí)間序列預(yù)測(cè) / 14

1.2.1 滑動(dòng)窗口 / 14

1.2.2 數(shù)據(jù)集劃分 / 20

1.2.3 預(yù)測(cè)任務(wù)分類(lèi) / 20

1.2.4 預(yù)測(cè)任務(wù)描述 / 22

1.2.5 預(yù)測(cè)誤差評(píng)價(jià) / 24

1.2.6 預(yù)測(cè)可視化 / 30

1.3 時(shí)間序列預(yù)測(cè)常用框架 / 39

1.3.1 統(tǒng)計(jì)方法框架 / 39

1.3.2 機(jī)器學(xué)習(xí)模型框架 / 40

1.3.3 深度學(xué)習(xí)模型框架 / 40

1.4 常用優(yōu)化技術(shù) / 41

1.4.1 交叉驗(yàn)證 / 41

1.4.2 網(wǎng)格搜索 / 41

1.4.3 隨機(jī)搜索 / 41

第2章 統(tǒng)計(jì)方法時(shí)間序列分析 / 42

2.1 時(shí)間序列分析 / 43

2.1.1 時(shí)間序列分析模型 / 43

2.1.2 時(shí)間序列分析流程 / 44

2.2 ARIMA模型預(yù)測(cè)實(shí)例 / 45

2.2.1 實(shí)例： Grid－SARIMA客流預(yù)測(cè) / 45

2.2.2 實(shí)例： Auto－SARIMA銷(xiāo)量預(yù)測(cè) / 57

第3章 機(jī)器學(xué)習(xí)時(shí)間序列分析 / 66

3.1 數(shù)據(jù)集 / 67

3.2 K最近鄰回歸 / 69

3.2.1 模型介紹 / 69

3.2.2 實(shí)例： K最近鄰（KNN）回歸預(yù)測(cè) / 69

3.3 多元線性回歸 / 75

3.3.1 模型介紹 / 75

3.3.2 實(shí)例： 多元線性回歸（MLR）預(yù)測(cè) / 75

3.4 支持向量回歸 / 81

3.4.1 模型介紹 / 81

3.4.2 實(shí)例： 支持向量回歸（SVR）預(yù)測(cè) / 81

3.5 決策樹(shù)回歸 / 87

3.5.1 模型介紹 / 87

3.5.2 實(shí)例： 決策樹(shù)（DT）回歸預(yù)測(cè) / 87

3.6 隨機(jī)森林回歸 / 92

3.6.1 模型介紹 / 92

3.6.2 實(shí)例： 隨機(jī)森林（RF）回歸預(yù)測(cè) / 93

3.7 梯度提升回歸樹(shù) / 98

3.7.1 模型介紹 / 98

3.7.2 實(shí)例： 梯度提升回歸樹(shù)（GBRT）預(yù)測(cè) / 98

3.8 極度梯度提升回歸 / 104

3.8.1 模型介紹 / 104

3.8.2 實(shí)例： 極度梯度提升（XGBosst）回歸預(yù)測(cè) / 104

3.9 輕量梯度提升機(jī)回歸 / 112

3.9.1 模型介紹 / 112

3.9.2 實(shí)例： 輕量梯度提升機(jī)（LightGBM）回歸預(yù)測(cè) / 113

3.10 Spark模型實(shí)現(xiàn) / 121

第4章 深度學(xué)習(xí)時(shí)間序列分析 / 134

4.1 前饋神經(jīng)網(wǎng)絡(luò) / 135

4.1.1 模型介紹 / 135

4.1.2 實(shí)例： 前饋神經(jīng)網(wǎng)絡(luò)（FNN）太陽(yáng)黑子預(yù)測(cè) / 136

4.2 循環(huán)神經(jīng)網(wǎng)絡(luò) / 145

4.2.1 模型介紹 / 145

4.2.2 實(shí)例： 長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)風(fēng)速預(yù)測(cè) / 147

4.2.3 實(shí)例： 門(mén)控循環(huán)單元（GRU）網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè) / 155

4.3 卷積神經(jīng)網(wǎng)絡(luò) / 164

4.3.1 模型介紹 / 164

4.3.2 實(shí)例： 卷積神經(jīng)網(wǎng)絡(luò)（CNN）電力負(fù)荷預(yù)測(cè) / 166

4.3.3 實(shí)例： 時(shí)間卷積網(wǎng)絡(luò)（TCN）網(wǎng)絡(luò)流量預(yù)測(cè) / 175

4.4 圖神經(jīng)網(wǎng)絡(luò) / 184

4.4.1 模型介紹 / 184

4.4.2 實(shí)例： 圖卷積網(wǎng)絡(luò)（GCN）空氣污染指數(shù)預(yù)測(cè) / 186

4.4.3 實(shí)例： 圖注意力網(wǎng)絡(luò)（GAT）交通流量預(yù)測(cè) / 210

4.5 注意力網(wǎng)絡(luò) / 221

4.5.1 模型介紹 / 221

4.5.2 實(shí)例： 多頭自注意力（MSA）網(wǎng)絡(luò)溫度預(yù)測(cè) / 222

附錄A Python開(kāi)發(fā)環(huán)境配置 / 239

A.1 Ubuntu安裝配置 / 239

A.2 Anaconda安裝配置 / 240

A.3 pip配置 / 241

A.4 Python虛擬環(huán)境配置 / 242

A.5 Vscode安裝配置 / 243

附錄B Spark開(kāi)發(fā)環(huán)境配置 / 245

B.1 Java安裝配置 / 245

B.2 Scala和Hadoop安裝配置 / 246

B.3 Spark安裝配置 / 246

B.4 PySpark安裝配置 / 248

附錄C 項(xiàng)目工程結(jié)構(gòu) / 250

參考文獻(xiàn) / 253