【课程目标】
本课程为高级课程《Python数据建模》的第二篇：时序篇
本课程主要讲解如何利用Python进行时间序列的数据建模，帮助学员构建系统全面的预测建模思维，提升学员的数据建模综合能力。
本系列课程从实际的业务需求出发，结合行业的典型应用特点，围绕实际的商业问题，对数据预测建模的过程进行了全面的介绍（从模型选择，到属性选择，再到训练模型，评估模型以及优化模型），通过大量的操作演练，帮助学员掌握数据建模的思路、方法、技巧，以提升学员的数据建模的能力，支撑运营决策的目的。
通过本课程的学习，达到如下目的：
1、 掌握数据建模的标准流程
2、 掌握时序预测建模的基本思想，理解因素分解的思路
3、 掌握常用的趋势拟合模型
4、 掌握常用的季节预测模型，能够进行季节周期性的时序建模
5、 深刻理念平稳序列的概念，以及平稳性检验
6、 掌握平稳序列的模型识别，以及模型定阶
7、 掌握时序预测模型的评估，以及优化
8、 掌握高级时序模型的训练与建模
【授课对象】
业务支持部、IT部、数据部等所有想做数据分析的相关人员
【学员要求】
1、 每个学员自备一台便携机(必须)
2、 事先搭建好开发环境（建议Anaconda+VSCode）
3、 要求Python 3.10版本及以上，扩展库Numpy, Pandas, statsmodels, sklearn, scipy等
注：讲师提供现场分析的数据源及演示代码
【授课方式】
建模流程+ 案例演练 + 开发实践 + 可视化呈现
采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中获得能力提升。
【课程大纲】
问题：无法找到影响因素，无法回归建模，怎么办？随着业务受季节性因素影响，未来的销量如何预测？
1、 回归预测vs时序预测
2、 时序预测的原理及应用场景
3、 常见时序预测模型
Ø 趋势类预测模型
Ø 季节类预测模型
Ø 平稳时序预测模型
Ø 其它高级模型
4、 时序建模的基本思想：因素分解思想
5、 时间序列的四个构成要素
Ø 长期趋势Trend
Ø 季节变动Seasonality
Ø 循环变动Circle
Ø 不规则变动Irregular
6、 季节性的3种模式
Ø 确定的季节性
Ø 随机平稳的季节性
Ø 随机非平稳的季节性
7、 季节性的检验
Ø 测量季节强度
Ø 检测非平稳季节性
Ø 相关性检验
Ø 自相关/偏相关分析
8、 时间序列分解
案例：时间序列的季节分解
1、 拟合程度指标
Ø 判定系数：
2、 误差评估指标
Ø 平均绝对误差：MAE
Ø 根均方差：RMSE
Ø 平均误差率：MAPE
3、 信息损失准则指标
Ø 赤池信息准则（Akaike Information Criterion，AIC）
Ø 贝叶斯信息准则（Bayesian Information Criterion，BIC）
Ø HQIC（Hannan-Quinn Information Criterion，HQIC）
4、 评估方法
Ø 滚动交叉验证法（cross validation）
5、 其它评估
Ø 残差评估：白噪声评估
问题：无法找到影响因素，无法回归建模，怎么办？随着业务受季节性因素影响，未来的销量如何预测？
1、 移动平均
Ø 应用场景及原理
Ø 理解滑动窗口
Ø 移动平均种类
² 一次移动平均
² 二次移动平均
² 加权移动平均
² 移动平均比率法
Ø 移动平均关键问题
² 最佳期数N的选择原则
² 最优权重系数的选取原则
演练：销售额预测模型及评估
演练：快销产品季节销量预测及评估
2、 指数平滑
Ø 应用场景及原理
Ø 最优平滑系数的选取原则
Ø 指数平滑种类
² 一次指数平滑
² 二次指数平滑（Brown线性）
² 三次指数平滑
演练：煤炭产量预测
3、 Holt趋势模型（亦称二次指数平滑）
Ø Holt线性模型
Ø Holt指数模型
Ø 阻尼线性趋势
Ø 阻尼指数趋势
1、 因素分解法
Ø 移动平均差值法
Ø 移动平均比率法
2、 Holt-Winters季节模型：HW加法、HW乘法、HW指数
Ø 适用场景
Ø 计算公式
Ø 超参优化
Ø 模型解读
案例：航空飞行里程预测模型
案例：汽车销量预测模型
案例：沃尔玛收益预测模型
3、 基于回归的季节模型：相加模型、相乘模型
Ø 模型参数、模型解读
1、 平稳序列预测模型简介
2、 序列平稳性概念
Ø 恒定的均值
Ø 恒定的标准差
Ø 与位置无关的协方差
3、 序列平稳性检验
Ø 折线图法
Ø ACF/PACF图
Ø ADF检测法
4、 特殊平稳序列：白噪声
案例：序列平稳性检验
案例：白噪声检验
5、 平稳序列常用拟合模型
Ø AR(p)自回归模型
Ø MA(q)移动平均模型
Ø ARMA(p,q)自回归移动平均模型
6、 模型识别
Ø ACF图
Ø PACF图
7、 模型定阶
Ø 图形定阶（ACF/PACF）
Ø 最小信息准则定阶
8、 非平稳序列处理
Ø 平滑法
Ø 变量变换
Ø 差分运算：k步差分与d阶差分
9、 ARIMA(p,d,q)建模流程
案例：上海证券交易所收盘价建模
10、 SARIMA(p,d,q)(P,D,Q,S)模型
Ø 图形确定阶数
Ø 遍历确定阶数
11、 时序模型总结
1、 Prophet模型介绍
Ø 趋势拟合
Ø 季节性预测
Ø 节假日和特殊事件的影响
Ø 离群值分析
案例：销售额时序预测模型
2、 NeuralProphet模型
3、 GBDT/XGBoost/LightGBM集成模型
1、 LSTM模型简介
Ø 数据集构造
Ø 形状构造
Ø 滚动预测
案例：广告点击量时序建模
2、 seq2seq框架
3、 Transform模型
结束：课程总结与问题答疑。
