第1 章時(shí)間序列概述 1
1.1 發(fā)展歷程 1
1.2 應(yīng)用現(xiàn)狀 3
1.3 時(shí)間序列分類4
1.3.1 單維時(shí)間序列4
1.3.2 多維時(shí)間序列6
1.4 小結(jié) 8
第2 章時(shí)間序列的信息提取 9
2.1 特征工程的入門知識(shí)9
2.1.1 特征工程簡(jiǎn)介9
2.1.2 數(shù)值型特征 12
2.1.3 類別型特征 17
2.1.4 交叉特征 17
2.2 時(shí)間序列的預(yù)處理 18
2.2.1 時(shí)間序列的缺失值 18
2.2.2 時(shí)間序列的縮放 20
2.3 時(shí)間序列的特征工程24
2.4 時(shí)間序列的統(tǒng)計(jì)特征28
2.5 時(shí)間序列的熵特征 32
2.6 時(shí)間序列的降維特征38
2.6.1 分段聚合逼近38
2.6.2 分段線性逼近39
2.6.3 分段常數(shù)逼近41
2.6.4 符號(hào)逼近 42
2.6.5 最大三角形三桶算法43
2.6.6 用神經(jīng)網(wǎng)絡(luò)自動(dòng)生成特征的算法 44
2.7 時(shí)間序列的單調(diào)性 53
2.7.1 線性擬合方法54
2.7.2 控制圖方法 55
2.7.3 均線方法 60
2.8 小結(jié) 63
第3 章時(shí)間序列預(yù)測(cè) 64
3.1 時(shí)間序列預(yù)測(cè)的統(tǒng)計(jì)方法 65
3.1.1 自回歸差分移動(dòng)平均模型 65
3.1.2 指數(shù)平滑方法72
3.1.3 Prophet 75
3.2 時(shí)間序列預(yù)測(cè)的深度學(xué)習(xí)方法 83
3.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)83
3.2.2 長(zhǎng)短期記憶網(wǎng)絡(luò) 85
3.2.3 Transformer 90
3.2.4 Informer96
3.3 小結(jié)·100
第4 章時(shí)間序列異常檢測(cè) 101
4.1 異常類型及檢測(cè)方法分類 101
4.2 基于概率密度的方法 104
4.2.1 核密度估計(jì)原理 104
4.2.2 核密度估計(jì)方法 106
4.3 基于重構(gòu)的方法 111
4.3.1 變分自編碼器 111
4.3.2 Donut 115
4.4 基于距離的方法 117
4.4.1 孤立森林 118
4.4.2 RRCF 121
4.5 基于有監(jiān)督的方法 125
4.6 基于弱監(jiān)督的方法 127
4.7 小結(jié) 129
第5 章時(shí)間序列的相似度與聚類 130
5.1 相似度函數(shù) 130
5.1.1 經(jīng)典的相似度函數(shù) 131
5.1.2 基于分段聚合逼近的相似度函數(shù) 134
5.1.3 基于時(shí)間序列平滑的相似度函數(shù) 135
5.1.4 基于神經(jīng)網(wǎng)絡(luò)的相似度算法 136
5.2 距離函數(shù) 137
5.2.1 歐氏距離 138
5.2.2 DTW 算法139
5.2.3 基于相似性的距離 140
5.2.4 基于符號(hào)特征的距離 141
5.2.5 基于自相關(guān)性的距離 142
5.2.6 基于周期性的距離 143
5.2.7 基于模型的距離 144
5.3 基于特征工程的聚類算法 145
5.4 基于距離和相似度的聚類算法 149
5.5 流式聚類算法 151
5.6 小結(jié) 154
第6 章多維時(shí)間序列 155
6.1 多維時(shí)間序列簡(jiǎn)介155
6.2 單維時(shí)間序列與多維時(shí)間序列 156
6.2.1 廣告分析領(lǐng)域 156
6.2.2 業(yè)務(wù)運(yùn)維領(lǐng)域 157
6.3 單維時(shí)間序列監(jiān)控系統(tǒng)和多維時(shí)間序列監(jiān)控系統(tǒng)的對(duì)比 159
6.4 根因分析 160
6.4.1 根因分析的基礎(chǔ)概念 160
6.4.2 人工執(zhí)行根因分析的難度 163
6.4.3 OLAP 技術(shù)和方法 164
6.5 基于時(shí)間序列異常檢測(cè)算法的根因分析 165
6.5.1 時(shí)間序列異常檢測(cè) 165
6.5.2 根因分析的列表結(jié)構(gòu) 170
6.5.3 根因分析的樹(shù)狀結(jié)構(gòu) 172
6.6 基于熵的根因分析 173
6.6.1 熵的概念和性質(zhì) 173
6.6.2 概率之間的距離 174
6.6.3 基于熵的根因分析方法 177
6.7 基于樹(shù)模型的根因分析 187
6.7.1 特征工程和樣本 187
6.7.2 決策樹(shù)算法 187
6.8 規(guī)則學(xué)習(xí) 188
6.8.1 根因分析的列表結(jié)構(gòu) 188
6.8.2 根因分析的樹(shù)狀結(jié)構(gòu) 189
6.8.3 列表結(jié)構(gòu)與樹(shù)狀結(jié)構(gòu)的對(duì)比 191
6.8.4 規(guī)則的排序 192
6.9 小結(jié) 193
第7 章智能運(yùn)維的應(yīng)用場(chǎng)景 194
7.1 智能運(yùn)維 194
7.1.1 智能運(yùn)維的主要方向 195
7.1.2 智能運(yùn)維的實(shí)施路徑 196
7.2 指標(biāo)監(jiān)控 197
7.2.1 硬件監(jiān)控與軟件監(jiān)控 198
7.2.2 業(yè)務(wù)監(jiān)控 198
7.2.3 節(jié)假日效應(yīng) 201
7.2.4 持續(xù)異常的情況 205
7.2.5 存在基線的情況 205
7.2.6 尋找基線的方法 206
7.3 容量預(yù)估和彈性伸縮 208
7.3.1 容量預(yù)估 208
7.3.2 彈性伸縮 209
7.4 告警系統(tǒng) 210
7.4.1 告警系統(tǒng)的定義與評(píng)估指標(biāo) 210
7.4.2 告警關(guān)聯(lián)與收斂 212
7.4.3 基于相似性或聚類算法的告警關(guān)聯(lián)與收斂 214
7.4.4 基于告警屬性泛化層次的告警關(guān)聯(lián)與收斂 219
7.4.5 基于根因分析的告警關(guān)聯(lián)與收斂 224
7.5 小結(jié) 226
第8 章金融領(lǐng)域的應(yīng)用場(chǎng)景 228
8.1 量化交易概述 229
8.1.1 數(shù)據(jù)230
8.1.2 因子 230
8.1.3 回測(cè) 231
8.2 因子特征工程 231
8.3 資產(chǎn)定價(jià) 234
8.4 資產(chǎn)配置 241
8.5 波動(dòng)率預(yù)測(cè) 243
8.6 小結(jié) 245
參考文獻(xiàn) 246