《Python時間序列預測》是加拿大作者馬可·佩塞羅編著、翟世臣翻譯的編程類圖書，由機械工業出版社於2024年7月出版，ISBN為9787111754466，屬"數據分析與決策技術叢書"之一。全書共364頁，包含封面、版權資訊、譯者序、前言等章節，配套電子書通過上海閱文信息技術有限公司發行。
本書系統闡述時間序列預測方法，涵蓋統計模型（如ARIMA）與深度學習技術（LSTM及組合模型），通過Python代碼實例演示預測流程。案例涉及零售客流預測等場景，並提供模型參數設定、誤差評估（MSE）等操作要點。附錄包含環境安裝說明，全書三個核心章節分別論述預測失效應對、時間序列數據套用及練習指導。
基本介紹
- 中文名：Python時間序列預測
- 題材：編程類
- 語言：中文
- 出版時間：2024年7月1日
- 出版社：機械工業出版社
- ISBN：9787111754466
- 類別：數學
- 作者：馬可·佩塞羅
- 譯者：翟世臣
- 頁數：364頁
出版信息,內容簡介,目錄,
出版信息
《Python時間序列預測》由加拿大作者馬可·佩塞羅編著、翟世臣翻譯，機械工業出版社於2024年7月出版，ISBN為9787111754466，屬“數據分析與決策技術叢書”之一，全書共364頁。
當前版本售價為得到電子書77.00元、京東商城紙質書94.20元、噹噹網紙質書96.70元、中圖網紙質書85.10元，得到平台提供線上試讀。Manning出版社於2022年出版該書的英文版，4人讀過。
“數據分析與決策技術叢書”共45冊，同叢書其他書籍包括《Splunk智慧型運維實戰》《Python高級數據分析:機器學習、深度學習和NLP實例》等。
該書學科分類為數學，資源類型為圖書，細分類型為中文文獻。成都文獻中心、中國科學院大學雁棲校區、中科院文獻情報中心均有館藏，索書號分別為51.7161/ 2736、O211.61-39/5、51.7191056/361。
內容簡介
本書教你如何從基於時間的數據（如日誌、客戶分析和其他事件流）中獲得即時、有意義的預測。在這本通俗易懂的書中，作者通過帶有注釋的Python代碼進行全面演示，你將學習用於時間序列預測的統計和深度學習方法。通過跟隨書中的實例鍛鍊你的技能，你很快就會準備好建立自己的準確、有洞察力的預測。
目錄
譯者序
前 言
致 謝
第一部分 時間不等人
第1章 了解時間序列預測 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 設定預測範圍 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 自相關函式 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 預測零售店平均每周客流量 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 了解AIC 92
6.4.2 使用AIC選擇模型 93
6.4.3 了解殘差分析 95
6.4.4 進行殘差分析 99
6.5 套用通用建模過程 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 探討美國巨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 可視化序列及其分量 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 準備套用深度學習進行預測 194
12.3.1 進行數據探索 195
12.3.2 特徵工程和數據拆分 198
12.4 下一步 202
12.5 練習 202
第13章 數據視窗和創建深度學習基線 204
13.1 創建數據視窗 204
13.1.1 探索如何訓練深度學習模型用於時間序列預測 205
13.1.2 實現數據視窗類 208
13.2 套用基線模型 215
13.2.1 單步基線模型 215
13.2.2 多步基線模型 217
13.2.3 多輸出基線模型 220
13.3 下一步 223
13.4 練習 223
第14章 初步研究深度學習 225
14.1 實現線性模型 225
14.1.1 實現單步線性模型 226
14.1.2 實現多步線性模型 228
14.1.3 實現多輸出線性模型 229
14.2 實現深度神經網路 230
14.2.1 實現單步深度神經網路模型 232
14.2.2 實現多步深度神經網路模型 234
14.2.3 實現多輸出深度神經網路模型 236
14.3 下一步 237
14.4 練習 237
第15章 使用LSTM記住過去 239
15.1 探索遞歸神經網路 239
15.2 研究LSTM架構 241
15.2.1 遺忘門 242
15.2.2 輸入門 243
15.2.3 輸出門 244
15.3 實現LSTM架構 245
15.3.1 實現單步LSTM模型 245
15.3.2 實現多步LSTM模型 247
15.3.3 實現多輸出LSTM模型 249
15.4 下一步 252
15.5 練習 252
第16章 使用CNN過濾時間序列 254
16.1 研究卷積神經網路 254
16.2 實現CNN 257
16.2.1 實現單步CNN模型 258
16.2.2 實現多步CNN模型 261
16.2.3 實現多輸出CNN模型 263
16.3 下一步 264
16.4 練習 265
第17章 使用預測做出更多預測 267
17.1 研究ARLSTM架構 267
17.2 構建自回歸LSTM模型 269
17.3 下一步 273
17.4 練習 273
第18章 頂點項目：預測一個家庭的用電量 274
18.1 了解頂點項目 275
18.2 數據整理和預處理 277
18.2.1 處理缺失數據 278
18.2.2 數據轉換 279
18.2.3 數據重採樣 279
18.3 特徵工程 281
18.3.1 刪除無用的列 282
18.3.2 確定季節性周期 282
18.3.3 拆分和縮放數據 285
18.4 使用深度學習進行建模的準備工作 285
18.4.1 初始配置 285
18.4.2 定義DataWindow類 286
18.4.3 訓練模型的效用函式 289
18.5 使用深度學習進行建模 289
18.5.1 基線模型 290
18.5.2 線性模型 292
18.5.3 深度神經網路 293
18.5.4 LSTM模型 294
18.5.5 卷積神經網路 295
18.5.6 組合CNN與LSTM 296
18.5.7 自回歸LSTM模型 297
18.5.8 選擇最佳模型 299
18.6 下一步 300
第四部分 大規模自動化預測
第19章 使用Prophet自動化時間序列預測 303
19.1 自動化預測庫概述 303
19.2 探索Prophet 305
19.3 使用Prophet進行基本預測 306
19.4 探索Prophet的高級功能 310
19.4.1 可視化能力 311
19.4.2 交叉驗證和性能指標 314
19.4.3 超參數調優 317
19.5 使用Prophet實現魯棒的預測過程 319
19.5.1 預測項目：預測“chocolate”在Google上的受歡迎程度 320
19.5.2 實驗：SARIMA能做得更好嗎 326
19.6 下一步 329
19.7 練習 329
19.7.1 預測航空乘客人數 329
19.7.2 預測抗糖尿病藥物處方數量 330
19.7.3 預測某個關鍵字在Google Trends上的受歡迎程度 330
第20章 頂點項目：預測加拿大牛排的月平均零售價格 331
20.1 了解頂點項目 331
20.2 數據預處理與可視化 332
20.3 使用Prophet進行建模 334
20.4 可選：開發一個SARIMA模型 338
20.5 下一步 342
第21章 超越自我 343
21.1 總結所學 343
21.1.1 統計學預測方法 344
21.1.2 深度學習預測方法 344
21.1.3 自動化預測過程 345
21.2 如果預測不起作用怎么辦 345
21.3 時間序列數據的其他套用 346
21.4 保持練習 347
附錄 安裝說明 349
