时间序列预测：基于机器学习和Python实现

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