时间序列预测：基于机器学习和Python实现

本书基于Python这一处理数据功能强大的高级编程语言，在实践中展示了如何将这些模型应用于真实世界的数据科学场景。Python提供了一系列用于时间序列数据分析的库，可以针对不同的预测解决方案进行通用化的代码部署。

译者序<br/>前言<br/>致谢<br/>关于作者<br/>关于技术审阅人<br/>第1章　时间序列预测概述1<br/>1.1　时间序列预测的机器学习方法2<br/>1.2　时间序列预测的监督学习12<br/>1.3　基于Python的时间序列预测19<br/>1.4　时间序列预测的实验设置22<br/>1.5　总结24<br/>第2章　如何在云上设计一个端到端的时间序列预测解决方案25<br/>2.1　时间序列预测模板25<br/>2.1.1　业务理解和性能度量27<br/>2.1.2　数据摄取30<br/>2.1.3　数据探索与理解33<br/>2.1.4　数据预处理和特征工程34<br/>2.1.5　模型构建和选择36<br/>2.2　需求预测建模技术概述37<br/>2.2.1　模型评估40<br/>2.2.2　模型部署41<br/>2.2.3　预测解决方案的接受程度47<br/>2.3　用例：需求预测47<br/>2.4　总结51<br/>第3章　时间序列数据准备53<br/>3.1　用于时间序列数据的Python库53<br/>3.1.1　时间序列的通用数据准备工作56<br/>3.1.2　时间戳与周期58<br/>3.1.3　转换为时间戳61<br/>3.1.4　提供格式参数62<br/>3.1.5　索引63<br/>3.1.6　时间/日期组件69<br/>3.1.7　频率转换70<br/>3.2　探索与理解时间序列72<br/>3.2.1　如何开始时间序列数据分析72<br/>3.2.2　时间序列中缺失值的数据清理77<br/>3.2.3　归一化和标准化时间序列数据80<br/>3.3　时间序列特征工程83<br/>3.3.1　日期时间特征84<br/>3.3.2　滞后特征和窗口特征85<br/>3.3.3　滚动窗口统计信息90<br/>3.3.4　扩展窗口统计信息92<br/>3.4　总结93<br/>第4章　时间序列预测的自回归和自动方法94<br/>4.1　自回归95<br/>4.2　移动平均112<br/>4.3　自回归移动平均113<br/>4.4　差分自回归移动平均114<br/>4.5　自动化机器学习121<br/>4.6　总结128<br/>第5章　基于神经网络的时间序列预测130<br/>5.1　将深度学习用于时间序列预测的原因130<br/>5.1.1　深度学习神经网络能够自动从原始数据中学习和提取特征132<br/>5.1.2　深度学习支持多个输入和输出133<br/>5.1.3　循环神经网络擅长从输入数据中提取模式135<br/>5.2　基于循环神经网络的时间序列预测136<br/>5.2.1　循环神经网络137<br/>5.2.2　长短期记忆139<br/>5.2.3　门控循环单元140<br/>5.2.4　如何为LSTM和GRU准备时间序列数据141<br/>5.3　如何开发用于时间序列预测的GRU和LSTM146<br/>5.3.1　Keras147<br/>5.3.2　TensorFlow148<br/>5.3.3　单变量模型149<br/>5.3.4　多变量模型153<br/>5.4　总结157<br/>第6章　时间序列预测的模型部署159<br/>6.1　实验设置和Python版的Azure机器学习SDK介绍 159<br/>6.1.1　Workspace159<br/>6.1.2　Experiment160<br/>6.1.3　Run160<br/>6.1.4　Model161<br/>6.1.5　ComputeTarget、RunConfiguration和ScriptRunConfig162<br/>6.1.6　Image和Webservice163<br/>6.2　机器学习模型部署 164<br/>6.3　时间序列预测的解决方案体系结构部署示例 168<br/>6.3.1　训练并部署ARIMA模型 170<br/>6.3.2　配置工作空间 173<br/>6.3.3　创建实验 175<br/>6.3.4　创建或连接计算集群 175<br/>6.3.5　上传数据到Azure 176<br/>6.3.6　创建估算器 179<br/>6.3.7　将工作提交到远程集群180<br/>6.3.8　注册模型 180<br/>6.3.9　部署模型180<br/>6.3.10　定义输入脚本和依赖项 182<br/>6.3.11　自动生成模式 182<br/>6.4　总结187<br/>参考文献189