时间序列预测 基于机器学习和Python实现

当今，时间序列预测在金融、教育和医疗等行业中广泛使用，同时也在各类商业人士的决策中发挥着重要作用。本书揭开了时间序列预测技术的神秘面纱，为没有时间序列或机器学习经验的读者提供了创建和评估时间序列模型所需的基本工具。本书使用流行的Python工具和库来解决复杂和重要的业务预测问题，展示了如何使用Python编程语言实现准确和实用的时间序列预测模型。书中详细介绍了如何获取和清理数据，如何设计端到端的时间序列预测解决方案，如何理解时间序列预测的一些经典方法，如何将神经网络结合到预测模型中，以及如何在真实世界中部署时间序列预测模型。本书非常适合有2～3年工作经验的商业分析师、开发人员和数据科学家阅读，也适合那些熟悉时间序列预测理论但缺乏实践经验的研究人员参考。

弗朗西斯卡·拉泽里博士是大数据技术创新和机器学习实际应用方面的专家，拥有超过十年的学术和行业经验。她的研究涵盖机器学习、统计建模、时间序列计量经济学和预测等领域，以及能源、石油和天然气、零售、航空航天、医疗和专业服务等行业。她目前在微软领导一个由云人工智能倡导者和开发者组成的国际团队，管理大量客户，并在云上构建智能自动化解决方案。

译者序
前言
致谢
关于作者
关于技术审阅人
第1章时间序列预测概述
1.1时间序列预测的机器学习方法
1.2时间序列预测的监督学习
1.3基于Python的时间序列预测
1.4时间序列预测的实验设置
1.5总结
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
2.1时间序列预测模板
2.1.1业务理解和性能度量
2.1.2数据摄取
2.1.3数据探索与理解
2.1.4数据预处理和特征工程
2.1.5模型构建和选择
2.2需求预测建模技术概述
2.2.1模型评估
2.2.2模型部署
2.2.3预测解决方案的接受程度
2.3用例：需求预测
2.4总结
第3章时间序列数据准备
3.1用于时间序列数据的Python库
3.1.1时间序列的通用数据准备工作
3.1.2时间戳与周期
3.1.3转换为时间戳
3.1.4提供格式参数
3.1.5索引
3.1.6时间/日期组件
3.1.7频率转换
3.2探索与理解时间序列
3.2.1如何开始时间序列数据分析
3.2.2时间序列中缺失值的数据清理
3.2.3归一化和标准化时间序列数据
3.3时间序列特征工程
3.3.1日期时间特征
3.3.2滞后特征和窗口特征
3.3.3滚动窗口统计信息
3.3.4扩展窗口统计信息
3.4总结
第4章时间序列预测的自回归和自动方法
4.1自回归
4.2移动平均
4.3自回归移动平均
4.4差分自回归移动平均
4.5自动化机器学习
4.6总结
第5章基于神经网络的时间序列预测
5.1将深度学习用于时间序列预测的原因
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
5.1.2深度学习支持多个输入和输出
5.1.3循环神经网络擅长从输入数据中提取模式
5.2基于循环神经网络的时间序列预测
5.2.1循环神经网络
5.2.2长短期记忆
5.2.3门控循环单元
5.2.4如何为LSTM和GRU准备时间序列数据
5.3如何开发用于时间序列预测的GRU和LSTM
5.3.1Keras
5.3.2TensorFlow
5.3.3单变量模型
5.3.4多变量模型
5.4总结
第6章时间序列预测的模型部署
6.1实验设置和Python版的Azure机器学习SDK介绍
6.1.1Workspace
6.1.2Experiment
6.1.3Run
6.1.4Model
6.1.5ComputeTarget、RunConfiguration和ScriptRunConfig
6.1.6Image和Webservice
6.2机器学习模型部署
6.3时间序列预测的解决方案体系结构部署示例
6.3.1训练并部署ARIMA模型
6.3.2配置工作空间
6.3.3创建实验
6.3.4创建或连接计算集群
6.3.5上传数据到Azure
6.3.6创建估算器
6.3.7将工作提交到远程集群
6.3.8注册模型
6.3.9部署模型
6.3.10定义输入脚本和依赖项
6.3.11自动生成模式
6.4总结
参考文献