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
时间序列的训练-测试分离
这部分内容有帮助吗？
- Forecasting: Principles and Practice (3rd ed.), Rob J Hyndman and George Athanasopoulos, 2021 (OTexts) - 一本全面且免费的在线教科书，涵盖时间序列预测方法和正确的评估技术，包括时间分割和滚动预测验证。
- On the usage of cross-validation for time series forecasting, Christoph Bergmeir and Jose M. Benítez, 2012 Journal of Intelligent Information Systems, Vol. 38 (Springer US) DOI: 10.1007/s10844-011-0177-8 - 本文讨论了标准交叉验证为何不适用于时间序列，并分析了各种时间序列特定的验证策略，包括与滚动预测方法相关的分组交叉验证。
- sklearn.model_selection.TimeSeriesSplit, scikit-learn developers, 2024 - scikit-learn官方文档，介绍了用于生成时间序列交叉验证训练/测试索引的工具，对实现滚动预测验证有帮助。
- Applied Predictive Modeling, Max Kuhn and Kjell Johnson, 2013 (Springer) - 第10章“时间序列数据的预测模型”在更广泛的预测建模背景下，涵盖了时间有序数据的适当重采样和评估技术。