趋近智
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
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
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
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
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
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
平稳性检验：可视化检查
这部分内容有帮助吗？
- Forecasting: Principles and Practice, Rob J Hyndman and George Athanasopoulos, 2021 (OTexts) - 全面实用的时间序列预测入门教材，详细解释了平稳性以及绘制原始序列和滚动统计量等可视化诊断方法。
- Time Series Analysis: Forecasting and Control, George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel, and Greta M. Ljung, 2016 (John Wiley & Sons) - 时间序列分析的经典教材，提供了平稳性的理论定义及其对ARIMA模型的重要性，这些模型在章节中有所提及。
- Python for Data Analysis, Wes McKinney, 2022 (O'Reilly Media) - 使用Python的Pandas库进行数据操作和分析的基础指南，包括时间序列数据处理和计算滚动统计量，如章节代码示例所示。
- Windowing Operations, The Pandas Development Team, 2023 - Pandas滚动窗口操作的官方文档，用于计算滚动均值和标准差，以进行时间序列平稳性的可视化检查。