前言 xi 第 1章 時(shí)間序列：概述和簡史 1 1.1　時(shí)間序列在歷史上的各種應(yīng)用 1 1.1.1　醫(yī)學(xué)中的時(shí)間序列問題 2 1.1.2　氣象預(yù)測(cè) 5 1.1.3　經(jīng)濟(jì)增長預(yù)測(cè) 5 1.1.4　天文學(xué) 7 1.2　時(shí)間序列分析的興起 7 1.3　統(tǒng)計(jì)時(shí)間序列分析的起源 8 1.4　時(shí)間序列分析在機(jī)器學(xué)習(xí)領(lǐng)域的起源 9 1.5　更多資源 10 第 2章　時(shí)間序列的發(fā)現(xiàn)與整理 11 2.1　時(shí)間序列數(shù)據(jù)何處尋 11 2.1.1　準(zhǔn)備好的數(shù)據(jù)集 12 2.1.2　“找到的時(shí)間序列” 16 2.2　將表集合改造成時(shí)間序列數(shù)據(jù)集合 17 2.2.1　示例：組裝時(shí)間序列數(shù)據(jù)集合 18 2.2.2　構(gòu)造“找到的時(shí)間序列” 23 2.3　時(shí)間戳問題 25 2.3.1　誰的時(shí)間戳 25 2.3.2　推測(cè)時(shí)間戳以理解數(shù)據(jù) 26 2.3.3　什么是有意義的時(shí)間尺度 27 2.4　清理數(shù)據(jù) 28 2.4.1　處理數(shù)據(jù)缺失 28 2.4.2　上采樣和下采樣 38 2.4.3　數(shù)據(jù)平滑 40 2.4.4　季節(jié)性數(shù)據(jù) 44 2.4.5　時(shí)區(qū) 47 2.4.6　預(yù)防前瞻 50 2.5　更多資源 51 第3 章　針對(duì)時(shí)間序列的探索性數(shù)據(jù)分析 53 3.1　常用方法 53 3.1.1　折線圖 54 3.1.2　直方圖 56 3.1.3　散點(diǎn)圖 57 3.2　探索時(shí)間序列數(shù)據(jù)的方法 59 3.2.1　理解平穩(wěn)性 60 3.2.2　應(yīng)用窗口函數(shù) 64 3.2.3　理解和識(shí)別自相關(guān)性 67 3.2.4　偽相關(guān)性 76 3.3　一些有用的可視化方式 78 3.3.1　一維可視化 78 3.3.2　二維可視化 79 3.3.3　三維可視化 86 3.4　更多資源 89 第4 章　模擬時(shí)間序列 90 4.1　模擬時(shí)間序列有何特別之處 91 4.2　代碼模擬 91 4.2.1　自己動(dòng)手 92 4.2.2　構(gòu)建一個(gè)自行運(yùn)轉(zhuǎn)的模擬世界 97 4.2.3　物理模擬 102 4.3　寫在最后 107 4.3.1　統(tǒng)計(jì)模擬 108 4.3.2　深度學(xué)習(xí)模擬 108 4.4　更多資源 108 第5 章　存儲(chǔ)時(shí)間序列 109 5.1　定義需求 110 5.2　數(shù)據(jù)庫解決方案 113 5.2.1　SQL與NoSQL 113 5.2.2　流行的時(shí)間序列數(shù)據(jù)庫 116 5.3　文件解決方案 119 5.3.1　NumPy 119 5.3.2　Pandas 120 5.3.3　R 語言中的標(biāo)準(zhǔn)格式 120 5.3.4　Xarray 120 5.4　更多資源 121 第6 章　時(shí)間序列的統(tǒng)計(jì)模型 123 6.1　為什么不使用線性回歸 123 6.2　時(shí)間序列的統(tǒng)計(jì)方法 125 6.2.1　自回歸模型 125 6.2.2　移動(dòng)平均模型 136 6.2.3　差分自回歸移動(dòng)平均模型 140 6.2.4　向量自回歸模型 149 6.2.5　多樣的統(tǒng)計(jì)模型 152 6.3　時(shí)間序列統(tǒng)計(jì)模型的優(yōu)缺點(diǎn) 153 6.4　更多資源 154 第7 章　時(shí)間序列的狀態(tài)空間模型 155 7.1　狀態(tài)空間模型的優(yōu)缺點(diǎn) 156 7.2　卡爾曼濾波器 157 7.2.1　概述 157 7.2.2　為卡爾曼濾波器編碼 159 7.3　隱馬爾可夫模型 163 7.3.1　模型的工作原理 163 7.3.2　如何擬合模型 165 7.3.3　通過編碼實(shí)現(xiàn)擬合 167 7.4　貝葉斯結(jié)構(gòu)時(shí)間序列 171 7.5　更多資源 176 第8 章　時(shí)間序列的特征生成與選擇 178 8.1　入門示例 179 8.2　生成特征時(shí)需要考慮什么 180 8.2.1　時(shí)間序列的性質(zhì) 180 8.2.2　領(lǐng)域知識(shí) 181 8.2.3　外部考慮因素 181 8.3　何處尋找特征靈感 181 8.3.1　開源時(shí)間序列特征生成庫 182 8.3.2　特定領(lǐng)域的特征示例 185 8.4　生成特征后如何進(jìn)行選擇 188 8.5　結(jié)語 190 8.6　更多資源 191 第9 章　針對(duì)時(shí)間序列的機(jī)器學(xué)習(xí) 193 9.1　時(shí)間序列分類 194 9.1.1　生成并選擇特征 194 9.1.2　決策樹方法 197 9.2　聚類 203 9.2.1　由數(shù)據(jù)生成特征 204 9.2.2　具有時(shí)間感知能力的距離度量指標(biāo) 210 9.2.3　聚類代碼 213 9.3　更多資源 215 第 10 章　針對(duì)時(shí)間序列的深度學(xué)習(xí) 217 10.1　深度學(xué)習(xí)概念 219 10.2　通過編程實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò) 220 10.3　構(gòu)建訓(xùn)練流程 224 10.3.1　檢查數(shù)據(jù)集 224 10.3.2　訓(xùn)練流程的步驟 227 10.4　前饋網(wǎng)絡(luò) 240 10.4.1　一個(gè)簡單示例 241 10.4.2　運(yùn)用注意力機(jī)制使前饋網(wǎng)絡(luò)更具時(shí)間意識(shí) 243 10.5　卷積神經(jīng)網(wǎng)絡(luò) 245 10.5.1　一個(gè)簡單的卷積模型 246 10.5.2　其他可用的卷積模型 248 10.6　循環(huán)神經(jīng)網(wǎng)絡(luò) 250 10.6.1　繼續(xù)研究用電量示例 252 10.6.2　創(chuàng)新：自編碼器 253 10.7　組合架構(gòu) 254 10.8　結(jié)語 258 10.9　更多資源 258 第 11 章　測(cè)量誤差 260 11.1　基礎(chǔ)知識(shí)：如何檢驗(yàn)預(yù)測(cè)結(jié)果 261 11.2　預(yù)測(cè)結(jié)果何時(shí)才算足夠好 263 11.3　通過模擬估計(jì)模型中的不確定性 265 11.4　預(yù)測(cè)多步 268 11.4.1　直接擬合感興趣的范圍 268 11.4.2　針對(duì)較遠(yuǎn)時(shí)間步的遞歸方法 268 11.4.3　對(duì)時(shí)間序列應(yīng)用多任務(wù)學(xué)習(xí) 268 11.5　模型驗(yàn)證陷阱 269 11.6　更多資源 269 第 12 章　擬合及使用時(shí)間序列模型時(shí)的性能考量 271 12.1　使用為一般用例構(gòu)建的工具 272 12.1.1　用于橫截面數(shù)據(jù)的模型不在樣本間“共享”數(shù)據(jù) 272 12.1.2　沒有預(yù)先計(jì)算的模型造成數(shù)據(jù)測(cè)量與預(yù)測(cè)間的非必要延遲 273 12.2　數(shù)據(jù)存儲(chǔ)格式的優(yōu)缺點(diǎn) 274 12.2.1　以二進(jìn)制格式存儲(chǔ)數(shù)據(jù) 274 12.2.2　以能夠在數(shù)據(jù)上“滑動(dòng)”的方式預(yù)處理 275 12.3　為適應(yīng)性能考量而修改分析 275 12.3.1　使用所有數(shù)據(jù)不一定更好 275 12.3.2　復(fù)雜的模型并不總是表現(xiàn)得更好 276 12.3.3　簡要介紹可用的高性能工具 276 12.4　更多資源 277 第 13 章　醫(yī)療保健應(yīng)用 278 13.1　流感預(yù)測(cè) 278 13.1.1　案例研究：發(fā)生在大都市的流感疫情 278 13.1.2　流感預(yù)測(cè)領(lǐng)域的最新技術(shù) 291 13.2　血糖水平預(yù)測(cè) 292 13.2.1　探索和清洗數(shù)據(jù) 293 13.2.2　生成特征 297 13.2.3　擬合模型 303 13.3　更多資源 307 第 14 章　金融應(yīng)用 308 14.1　獲取并探索金融數(shù)據(jù) 308 14.2　金融數(shù)據(jù)預(yù)處理與深度學(xué)習(xí) 314 14.2.1　由原始數(shù)據(jù)生成新指標(biāo) 314 14.2.2　轉(zhuǎn)換數(shù)據(jù)并避免前瞻 315 14.2.3　為神經(jīng)網(wǎng)絡(luò)格式化數(shù)據(jù) 317 14.3　構(gòu)建并訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò) 319 14.4　更多資源 325 第 15 章　政務(wù)應(yīng)用 326 15.1　獲取政府?dāng)?shù)據(jù) 327 15.2　探索時(shí)間序列大數(shù)據(jù) 328 15.2.1　在遍歷數(shù)據(jù)時(shí)進(jìn)行上采樣并聚合 331 15.2.2　對(duì)數(shù)據(jù)排序 331 15.3　時(shí)間序列數(shù)據(jù)的在線統(tǒng)計(jì)分析 335 15.3.1　剩余問題 343 15.3.2　后續(xù)改進(jìn) 344 15.4　更多資源 344 第 16 章　時(shí)間序列工具包 345 16.1　規(guī)�；�預(yù)測(cè) 345 16.1.1　谷歌內(nèi)部的工業(yè)級(jí)預(yù)測(cè)框架 346 16.1.2　Facebook的Prophet開源工具包 347 16.2　異常檢測(cè) 351 16.3　其他時(shí)間序列工具包 353 16.4　更多資源 354 第 17 章　關(guān)于預(yù)測(cè)的預(yù)測(cè) 355 17.1　預(yù)測(cè)即服務(wù) 355 17.2　深度學(xué)習(xí)提高了概率 356 17.3　重要性正由統(tǒng)計(jì)方法向機(jī)器學(xué)習(xí)方法轉(zhuǎn)移 356 17.4　更深入地結(jié)合統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)方法 357 17.5　涉及日常生活的更多預(yù)測(cè) 357