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 / 14
1.2.1 滑動窗口 / 14
1.2.2 數(shù)據(jù)集劃分 / 20
1.2.3 預(yù)測任務(wù)分類 / 20
1.2.4 預(yù)測任務(wù)描述 / 22
1.2.5 預(yù)測誤差評價(jià) / 24
1.2.6 預(yù)測可視化 / 30
1.3 時(shí)間序列預(yù)測常用框架 / 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)測實(shí)例 / 45
2.2.1 實(shí)例： Grid－SARIMA客流預(yù)測 / 45
2.2.2 實(shí)例： Auto－SARIMA銷量預(yù)測 / 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 / 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 / 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 / 81
3.5 決策樹回歸 / 87
3.5.1 模型介紹 / 87
3.5.2 實(shí)例： 決策樹（DT）回歸預(yù)測 / 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 / 93
3.7 梯度提升回歸樹 / 98
3.7.1 模型介紹 / 98
3.7.2 實(shí)例： 梯度提升回歸樹（GBRT）預(yù)測 / 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 / 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 / 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）太陽黑子預(yù)測 / 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： 長短期記憶（LSTM）網(wǎng)絡(luò)風(fēng)速預(yù)測 / 147
4.2.3 實(shí)例： 門控循環(huán)單元（GRU）網(wǎng)絡(luò)風(fēng)電功率預(yù)測 / 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 / 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 / 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 / 186
4.4.3 實(shí)例： 圖注意力網(wǎng)絡(luò)（GAT）交通流量預(yù)測 / 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 / 222
附錄A Python開發(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
書單推薦
