时间序列分析与Python实例

　　本书在提供时间序列分析基本原理的基础上， 重点对统计方法、 机器学习、 深度学习及其时间序列分析应用进行案例分析， 并提供了Python实例。本书还考虑了大数据背景下对海量时间序列数据的处理与分析方法， 对大数据分析引擎Apache Spark及其时间序列分析也提供了应用实例。 本书共包含4章， 组织结构如下： 第1章对时间序列分析方法进行概述； 第2章对统计方法及其时间序列分析进行介绍并提供Python实例； 第3章对机器学习及其时间序列分析进行介绍并提供Python实例； 第4章对深度学习及其时间序列分析进行介绍并提供Python实例。 本书主要为读者提供快速的问题解决思路和一般策略， 未深入讨论各类算法模型的底层原理、 推导过程及具体任务的优化改进。读者可在本书提供的方法和源码基础上， 进行模型结构或算法流程优化和创新， 以满足读者在实际学习、 研究和工程应用中的需要。为保证代码清晰明确， 本书执行PEP 8（python enterprise proposal 8）代码格式。书中实例围绕时间序列分析目标开展编程， 应用范围较为广泛， 有望满足不同领域科研工作者及工程技术从业人员的使用需要， 既可作为本科生、 研究生相关课程教学教材， 也能作为相关领域工程人员的技术参考书。

暂缺《时间序列分析与Python实例》作者简介

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最近邻回归 / 69

3.2.1 模型介绍 / 69

3.2.2 实例： K最近邻（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