书籍摘要

《Time Series Forecasting in Python》是一本由Marco Peixeiro撰写的专注于时间序列预测的实用指南。本书旨在帮助数据科学家掌握Python中时间序列预测的核心概念和技术，内容涵盖了从基础统计模型到深度学习模型的广泛应用，适合有一定Python基础的数据科学从业者。

书籍结构

本书分为四个部分，共21章，内容由浅入深，逐步引导读者掌握时间序列预测的关键技能。

第一部分：时间序列预测基础

• 第1章：介绍时间序列的基本概念，包括其定义、组成部分（趋势、季节性和残差）以及时间序列预测与其他回归任务的区别。
• 第2章：通过简单的基线模型（如历史均值、上一时间点值等）开始预测实践，为后续复杂模型提供基准。
• 第3章：探讨随机游走模型，解释在何种情况下时间序列预测可能无效，以及如何识别和处理随机游走过程。

第二部分：统计模型预测

• 第4章：介绍移动平均模型（MA(q)），解释如何通过自相关函数（ACF）识别模型阶数并进行预测。
• 第5章：讲解自回归模型（AR(p)），包括如何使用偏自相关函数（PACF）确定模型阶数。
• 第6章：结合AR(p)和MA(q)模型，形成ARMA(p,q)模型，并介绍一般建模流程，包括模型选择和残差分析。
• 第7章：扩展ARMA模型，引入差分操作，形成ARIMA(p,d,q)模型，用于非平稳时间序列的预测。
• 第8章：进一步引入季节性因素，构建SARIMA(p,d,q)(P,D,Q)m模型，用于具有季节性模式的时间序列预测。
• 第9章：介绍SARIMAX模型，允许在预测中加入外部变量，提升模型的预测能力。
• 第10章：探讨向量自回归（VAR）模型，用于同时预测多个相关时间序列。

第三部分：深度学习预测

• 第12章：介绍深度学习在时间序列预测中的应用，包括数据窗口化和基线模型的构建。
• 第13章：通过简单线性模型和深度神经网络（DNN）开始深度学习模型的实现。
• 第14章：探索长短期记忆网络（LSTM），利用其记忆功能处理时间序列数据。
• 第15章：结合卷积神经网络（CNN）和LSTM，利用CNN的特征提取能力提升预测性能。
• 第16章：介绍自回归LSTM模型，通过将模型输出反馈作为输入，实现更精准的预测。

第四部分：大规模预测自动化

• 第19章：介绍Prophet自动化预测库，通过实际案例展示其在时间序列预测中的应用。
• 第20章：通过案例对比Prophet和SARIMAX模型的性能，探讨自动化预测工具的优势。
• 第21章：总结全书内容，鼓励读者探索时间序列数据的更多应用。

书籍特色

• 实用性强：书中结合大量实际案例，通过Python代码实现，帮助读者快速上手。
• 覆盖面广：从基础统计模型到深度学习模型，再到自动化预测工具，内容丰富全面。
• 易于理解：作者采用循序渐进的方式，逐步引导读者掌握复杂概念，适合初学者和有一定基础的读者。

适用人群

• 数据科学家：希望提升时间序列预测技能的专业人士。
• 数据分析师：需要处理时间序列数据并进行预测的从业者。
• 机器学习工程师：对时间序列预测感兴趣的深度学习和机器学习爱好者。

《Time Series Forecasting in Python》是一本全面、实用且易于上手的时间序列预测指南，适合任何希望在Python中掌握时间序列预测技术的读者。