ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

时间序列分析与预测
章节 1: 时间序列数据介绍
时间序列数据的特点
组成部分:趋势、季节性、周期性、不规则性
在Pandas中加载和处理时间序列数据
时间位移、滞后与滚动窗口
时间序列数据可视化
动手实践:数据加载与绘图
第 1 章测验
章节 2: 时间序列分解与平稳性
理解平稳性
时间序列分解方法
在 Python 中实现分解
平稳性检验:可视化检查
平稳性的统计检验 (ADF 检验)
实现平稳性:差分
动手练习:分解与平稳性检验
第 2 章测验
章节 3: 自相关性与模型识别
自动相关函数 (ACF)
偏自相关函数 (PACF)
在 Python 中绘制 ACF 和 PACF
解读ACF/PACF以选择模型
动手实践:ACF/PACF 图的绘制与解读
第 3 章测验
章节 4: ARIMA 模型用于预测
自回归 (AR) 模型
移动平均 (MA) 模型
结合AR和MA:ARMA模型
引入整合:ARIMA 模型
选择ARIMA模型阶数 (p, d, q)
在Python中使用statsmodels拟合ARIMA模型
模型诊断与残差分析
使用ARIMA模型进行预测
动手实践:构建ARIMA模型
第 4 章测验
章节 5: 使用SARIMA处理季节性
ARIMA模型处理季节性数据的局限性
季节性ARIMA(SARIMA)模型介绍
识别季节性成分 (ACF/PACF)
选择 SARIMA 阶数 (p, d, q)(P, D, Q)m
在 Python 中拟合 SARIMA 模型
SARIMA模型诊断
使用 SARIMA 进行预测
动手实践:构建SARIMA模型
第 5 章测验
章节 6: 模型评估与选择
模型评估的必要性
时间序列的训练-测试分离
常用评估指标(MAE、MSE、RMSE、MAPE)
信息准则 (AIC, BIC)
比较不同模型的预测结果
预测表现的可视化
动手练习:评估预测
第 6 章测验

时间序列分析与预测

学习分析时间相关数据及构建预测模型的实用方法。本课程涵盖时间序列分解、平稳性、自相关性等重要原理,并应用ARIMA和SARIMA等统计模型进行预测。

先修课程 具备Python及Pandas基础知识。

级别:

进阶级

可获证书:

结业
  • 时间序列分解

    将时间序列数据分解为趋势、季节性和残差部分。

  • 平稳性检验

    了解并使用ADF等统计检验方法进行平稳性测试。

  • 自相关分析

    分析自相关和偏自相关函数 (ACF/PACF) 以确定模型参数。

  • ARIMA模型构建

    构建并评估自回归差分移动平均 (ARIMA) 模型进行预测。

  • 季节性ARIMA (SARIMA)

    应用SARIMA模型处理时间序列数据中的季节性模式。

  • 模型评估

    使用适当的指标评估预测模型的表现。

© 2026 ApX Machine Learning