Python编程：时间序列分析入门与实战应用

内容简介 时间序列分析是一种针对时序数据处理的方法，涉及统计学、数据挖掘、数据建模、机器学习等多种技术。本书系统地介绍时间序列分析的关键方法，主要包括三方面内容；首先简单介绍经典的统计学部分，如自回归与移动平均模型；其次详细介绍常规方法，如线性回归与Prophet模型；最后系统论证深度学习部分，如RNN与TCN模型。此外，实战应用中将注意力机制应用到时间序列分析，通过Transformer模型对序列进行建模。 本书理论结合实战，具有很强的实践性，不仅适合企业一线从事技术和应用开发的人员学习，还可作为高等院校计算机、金融或人工智能专业师生使用Python语言学习时间序列分析的参考书。

王恺上海大学通信与信息工程学院硕士。曾任职于中兴通讯，千寻位置，主要从事时间序列、机器学习、统计学习方面的研究。上学期间，与各大教育机构合作，任职考研高等数学与模拟电子电路的辅导老师。曾经在西门子CT部门实习。

第1章初识时间序列1.1时间序列的概念1.2时间序列的特点1.3统计学基础1.4时间序列的分解第2章线性时间序列分析2.1平稳性2.2自相关性2.3白噪声与随机游走2.4自回归移动平均模型第3章时间序列分析常用模型3.1线性回归模型3.2Prophet模型3.3NeuralProphet模型第4章神经网络4.1人工神经网络4.2神经网络的基本原理4.3神经网络实战4.4卷积神经网络（CNN）第5章RNN应用于时间序列5.1循环神经网络（RNN）5.2LSTM模型5.3GRU模型5.4神经网络训练中的优化技巧5.5LSTM实战第6章CNN应用于时间序列6.1因果卷积6.2空洞卷积膨胀卷积6.3残差模块6.4权重归一化6.5TCN模型6.6TCN实战第7章Transformer应用于时间序列7.1Seq2Seq7.2注意力Attention7.3位置编码7.4前馈网络（FFN）7.5层归一化7.6Transformer模型结构7.7Transformer实战附录A数据集介绍A.1数据集A.2数据可视化A.3数据处理