Python時間序列預測

譯者序
前　言
致　謝

第一部分　時間不等人
第1章　瞭解時間序列預測　 3
1.1　時間序列簡介　 4
1.2　時間序列預測概覽　 7
1.2.1　設定目標　 8
1.2.2　確定預測對象　 8
1.2.3　設置預測範圍　 8
1.2.4　收集數據　 8
1.2.5　開發預測模型　 8
1.2.6　部署到生產中　 9
1.2.7　監控　 9
1.2.8　收集新的數據　 9
1.3　時間序列預測與其他回歸任務的
差異　 10
1.3.1　時間序列有順序　 10
1.3.2　時間序列有時沒有特徵　 10
1.4　下一步　 11
第2章　對未來的簡單預測　 12
2.1　定義基線模型　 13
2.2　預測歷史均值　 14
2.2.1　基線實現準備　 15
2.2.2　實現歷史均值基線　 16
2.3　預測最後一年的均值　 19
2.4　使用最後已知數值進行預測　 21
2.5　實現簡單的季節性預測　 22
2.6　下一步　 23
第3章　來一次隨機遊走　 25
3.1　隨機遊走過程　 26
3.2　識別隨機遊走　 29
3.2.1　平穩性　 29
3.2.2　平穩性檢驗　 31
3.2.3　自相關函數　 34
3.2.4　把它們組合在一起　 34
3.2.5　GOOGL是隨機遊走嗎　 37
3.3　預測隨機遊走　 39
3.3.1　長期預測　 39
3.3.2　預測下一個時間步長　 44
3.4　下一步　 46
3.5　練習　 46
3.5.1　模擬和預測隨機遊走　 46
3.5.2　預測GOOGL的每日收盤價　 47
3.5.3　預測你選擇的股票的每日
收盤價　 47

第二部分　使用統計模型進行預測
第4章　移動平均過程建模　 51
4.1　定義移動平均過程　 52
4.2　預測移動平均過程　 57
4.3　下一步　 64
4.4　練習　 65
4.4.1　模擬MA(2)過程並做預測　 65
4.4.2　模擬MA(q)過程並做預測　 65
第5章　自回歸過程建模　 67
5.1　預測零售店平均每週客流量　 67
5.2　定義自回歸過程　 69
5.3　求平穩自回歸過程的階數　 70
5.4　預測自回歸過程　 76
5.5　下一步　 82
5.6　練習　 82
5.6.1　模擬AR(2)過程並做預測　 82
5.6.2　模擬AR(p)過程並做預測　 83
第6章　複雜時間序列建模　 84
6.1　預測數據中心頻寬使用量　 85
6.2　研究自回歸移動平均過程　 86
6.3　確定一個平穩的ARMA過程　 88
6.4　設計一個通用的建模過程　 91
6.4.1　瞭解AIC　 92
6.4.2　使用AIC選擇模型　 93
6.4.3　瞭解殘差分析　 95
6.4.4　進行殘差分析　 99
6.5　應用通用建模過程　 102
6.6　預測頻寬使用情況　 108
6.7　下一步　 112
6.8　練習　 113
6.8.1　對模擬的ARMA(1，1)過程
進行預測　 113
6.8.2　模擬ARMA(2，2)過程並
進行預測　 113
第7章　非平穩時間序列預測　 115
7.1　定義差分自回歸移動平均模型　 116
7.2　修改通用建模過程以考慮
非平穩序列　 117
7.3　預測一個非平穩時間序列　 119
7.4　下一步　 125
7.5　練習　 126
第8章　考慮季節性　 127
8.1　研究SARIMA(p，d，q)(P，D，Q)m
模型　 128
8.2　識別時間序列的季節性模式　 129
8.3　預測航空公司每月乘客數量　 133
8.3.1　使用ARIMA(p，d，q)模型進行
預測　 135
8.3.2　使用SARIMA(p，d，q)(P，D，Q)m
模型進行預測　 139
8.3.3　比較每種預測方法的性能　 142
8.4　下一步　 144
8.5　練習　 145
第9章　向模型添加外生變數　 146
9.1　研究SARIMAX模型　 147
9.1.1　探討美國宏觀經濟數據集的
外生變數　 148
9.1.2　使用SARIMAX的注意
事項　 150
9.2　使用SARIMAX模型預測實際
GDP　 151
9.3　下一步　 158
9.4　練習　 159
第10章　預測多變數時間序列　 160
10.1　研究VAR模型　 161
10.2　設計VAR(p)建模過程　 163
10.3　預測實際可支配收入和實際
消費　 164
10.4　下一步　 174
10.5　練習　 174
10.5.1　使用VARMA模型預測realdpi和realcons　 174
10.5.2　使用VARMAX模型預測realdpi和realcons　 175
第11章　頂點項目：預測澳大利亞
抗糖尿病藥物處方的數量　 176
11.1　導入所需的庫並載入數據　 177
11.2　視覺化序列及其分量　 178
11.3　對數據進行建模　 180
11.3.1　進行模型選擇　 181
11.3.2　進行殘差分析　 183
11.4　預測和評估模型的性能　 184
11.5　下一步　 187

第三部分　使用深度學習進行大規模預測
第12章　將深度學習引入時間序列
預測　 191
12.1　何時使用深度學習進行時間
序列預測　 191
12.2　探索不同類型的深度學習
模型　 192
12.3　準備應用深度學習進行預測　 194
12.3.1　進行數據探