時(shí)間序列預(yù)測(cè)實(shí)踐教程

內(nèi)容概要

　　《時(shí)間序列預(yù)測(cè)實(shí)踐教程》是一本側(cè)重于時(shí)間序列分析預(yù)測(cè)實(shí)踐的教材。它從時(shí)間序列預(yù)測(cè)的整個(gè)過程來組織全部?jī)?nèi)容。主要內(nèi)容有時(shí)間序列預(yù)測(cè)的流程、時(shí)間序列數(shù)據(jù)的收集和預(yù)處理、預(yù)測(cè)精確度的衡量指標(biāo)、各種不同的預(yù)測(cè)分析方法。它既涵蓋了基于模型的預(yù)測(cè)分析方法，也涵蓋了數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)分析方法。書中給出了大量的實(shí)際案例，讀者可以從中獲取進(jìn)行時(shí)間序列預(yù)測(cè)所必需的經(jīng)驗(yàn)。　　《時(shí)間序列預(yù)測(cè)實(shí)踐教程》可以作為實(shí)用時(shí)間序列預(yù)測(cè)分析的教材，也可以作為預(yù)測(cè)分析實(shí)踐人員的參考書。

作者簡(jiǎn)介

作者：（美國(guó)）格雷特·史牟莉（Gait Shmueli） 李洪成  格雷特·史牟莉（Gait Shmueli），美國(guó)馬里蘭大學(xué)商學(xué)院教授，印度商學(xué)院數(shù)據(jù)分析SRITNE主任教授。出版過多本著作，在專業(yè)雜志發(fā)表過多篇論文。商業(yè)智能中的數(shù)據(jù)挖掘和“在線拍賣模型”是其中的兩本暢銷教材。在馬里蘭大學(xué)商學(xué)院和印度商學(xué)院、Statistics com統(tǒng)計(jì)教育網(wǎng)站講授預(yù)測(cè)分析、數(shù)據(jù)挖掘和其他數(shù)據(jù)分析相關(guān)的課程。 李洪成，上海金融學(xué)院副教授，SPSS統(tǒng)計(jì)分析軟件和R統(tǒng)計(jì)分析軟件專家。主要講授回歸分析、時(shí)間序列等課程。出版過多部著作，在專業(yè)雜志發(fā)表多篇論文。代表著作有SPSS18數(shù)據(jù)分析基礎(chǔ)與實(shí)踐“SPSS數(shù)據(jù)分析教程”譯著有用R進(jìn)行數(shù)據(jù)挖掘和R數(shù)據(jù)分析方法集錦。

書籍目錄

第1章 預(yù)測(cè)過程簡(jiǎn)介 1.1 預(yù)測(cè)應(yīng)用 1.2 本書常用符號(hào) 1.3 預(yù)測(cè)過程 1.4 預(yù)測(cè)目標(biāo)——以美國(guó)鐵路客運(yùn)公司為例 1.4.1 描述性目標(biāo)和預(yù)測(cè)性目標(biāo) 1.4.2 向前預(yù)測(cè)期數(shù)和預(yù)測(cè)數(shù)據(jù)更新 1.4.3 預(yù)測(cè)的應(yīng)用 1.4.4 預(yù)測(cè)自動(dòng)化水平 第2章 數(shù)據(jù) 2.1 數(shù)據(jù)收集 2.2 時(shí)間序列的組成成分 2.3 時(shí)間序列的可視化 2.4 交互式可視化 2.5 數(shù)據(jù)預(yù)處理 第3章 預(yù)測(cè)結(jié)果評(píng)估 3.1 數(shù)據(jù)分割 3.1.1 按時(shí)間劃分時(shí)間序列 3.1.2 合并訓(xùn)練集和驗(yàn)證集建立最終預(yù)測(cè)模型 3.1.3 選擇驗(yàn)證集區(qū)間 3.2 簡(jiǎn)單預(yù)測(cè) 3.3 衡量預(yù)測(cè)精度 3.3.1 常用衡量預(yù)測(cè)精度的指標(biāo) 3.3.2 衡量模型預(yù)測(cè)精度指標(biāo)的注意問題 3.4 預(yù)測(cè)不確定性評(píng)估 3.4.1 預(yù)測(cè)誤差的分布 3.4.2 預(yù)測(cè)區(qū)間 第4章 預(yù)測(cè)方法概述 4.1 基于模型的方法和數(shù)據(jù)驅(qū)動(dòng)的方法 4.2 外推法、計(jì)量模型和外部信息 4.3 人工預(yù)測(cè)和自動(dòng)預(yù)測(cè) 4.4 組合方法 第5章 基于回歸的預(yù)測(cè)方法 5.1 趨勢(shì)模型的分析 5.1.1 線性趨勢(shì) 5.1.2 指數(shù)趨勢(shì) 5.1.3 多項(xiàng)式趨勢(shì) 5.2 帶有季節(jié)性趨勢(shì)的模型 5.3 同時(shí)帶有趨勢(shì)性和季節(jié)性的模型 5.4 由模型進(jìn)行預(yù)測(cè) 5.5 AR模型和ARIMA模型 5.5.1 計(jì)算自相關(guān) 5.5.2 利用自相關(guān)信息來提高預(yù)測(cè)精度 5.5.3 評(píng)價(jià)可預(yù)測(cè)性 5.6 不規(guī)則的趨勢(shì)模式 5.6.1 離群值 5.6.2 特殊事件 第6章 平滑方法 6.1 引言 6.2 移動(dòng)平均 6.2.1 中心移動(dòng)平均：方便可視化 6.2.2 截尾移動(dòng)平均：方便預(yù)測(cè) 6.2.3 選擇窗口寬度（w） 6.3 差分 6.3.1 剔除趨勢(shì) 6.3.2 剔除季節(jié)性（季節(jié)調(diào)整、去季節(jié)化） 6.3.3 剔除趨勢(shì)和季節(jié)性 6.4 簡(jiǎn)單指數(shù)平滑處理 6.4.1 選擇平滑處理參數(shù)a 6.4.2 移動(dòng)平均和簡(jiǎn)單指數(shù)平滑之間的關(guān)系 6.5 高級(jí)指數(shù)平滑處理 6.5.1 帶有趨勢(shì)的序列：加法模型 6.5.2 帶有趨勢(shì)的序列：乘法模型 6.5.3 帶有趨勢(shì)和季節(jié)性的序列 6.5.4 帶有季節(jié)性的時(shí)間序列（無趨勢(shì)） 6.6 指數(shù)平滑方法的擴(kuò)展 6.6.1 多個(gè)季節(jié)周期 6.6.2 加法平滑常數(shù) 第7章 其他預(yù)測(cè)方法 7.1 預(yù)測(cè)中如何應(yīng)用外部信息 7.1.1 案例1：預(yù)測(cè)農(nóng)作物的產(chǎn)量 7.1.2 案例2：預(yù)測(cè)電影的票房收入 7.2 預(yù)測(cè)二元結(jié)果 7.3 邏輯回歸 7.3.1 邏輯回歸簡(jiǎn)介 7.3.2 案例：澳大利亞Melbourne的降雨預(yù)測(cè) 7.4 神經(jīng)網(wǎng)絡(luò) 7.4.1 神經(jīng)網(wǎng)絡(luò)模型 7.4.2 預(yù)處理 7.4.3 用戶輸入 7.4.4 案例：預(yù)測(cè)Amtrak公司的客流 7.4.5 神經(jīng)網(wǎng)絡(luò)的輸出 第8章 溝通和維護(hù) 8.1 預(yù)測(cè)結(jié)果的報(bào)告 8.2 預(yù)測(cè)監(jiān)測(cè) 8.3 撰寫報(bào)告 8.4 保持預(yù)測(cè)記錄 8.5 決策者的預(yù)測(cè)調(diào)整 第9章 實(shí)習(xí)案例 9.1 預(yù)測(cè)公共交通需求 9.1.1 問題背景 9.1.2 問題描述 9.2 游客預(yù)測(cè) 9.2.1 問題背景 9.2.2 問題描述 9.3 預(yù)測(cè)股票價(jià)格的變化（2010年INFORM比賽題目） 9.3.1 問題背景 9.3.2 問題描述 附錄A XLMiner軟件的獲取方法和菜單項(xiàng)簡(jiǎn)介 參考文獻(xiàn)

章節(jié)摘錄

版權(quán)頁：   插圖：   常見的預(yù)測(cè)方法有多種，它們所適用的數(shù)據(jù)和適用的問題的背景都不盡相同。例如，第3章中講到的簡(jiǎn)單預(yù)測(cè)方法，它有時(shí)候給出預(yù)測(cè)效果很好，它常常作為比較和衡量其他預(yù)測(cè)方法預(yù)測(cè)性能的基準(zhǔn)。 本章給出常用預(yù)測(cè)方法的簡(jiǎn)單介紹，并對(duì)它們的異同進(jìn)行說明。第5～7章將詳細(xì)介紹這些預(yù)測(cè)方法。 4.1 基于模型的方法和數(shù)據(jù)驅(qū)動(dòng)的方法 預(yù)測(cè)方法大致可以分為基于模型的預(yù)測(cè)方法和數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法。 基于模型的方法應(yīng)用統(tǒng)計(jì)學(xué)、數(shù)學(xué)或者其他學(xué)科的理論模型來擬合時(shí)間序列數(shù)據(jù)。訓(xùn)練集數(shù)據(jù)用來估計(jì)模型的參數(shù)，然后用得到的模型來進(jìn)行預(yù)測(cè)。第5章將討論基于模型的預(yù)測(cè)方法，例如多元回歸分析和自回歸方法，它們先設(shè)定某種線性模型，然后從時(shí)間序列估計(jì)模型中的參數(shù)。第7章的Logistic回歸模型也是基于模型的方法?；谀Ｐ偷姆椒▽?duì)于較短的時(shí)間序列有優(yōu)勢(shì)。因?yàn)榛谠O(shè)定的模型，參數(shù)的估計(jì)需要的數(shù)據(jù)相對(duì)較少。第6章講述數(shù)據(jù)驅(qū)動(dòng)的平滑方法。在數(shù)據(jù)驅(qū)動(dòng)的方法中，通過算法來尋找數(shù)據(jù)中蘊(yùn)含的規(guī)律或者模式。模型驅(qū)動(dòng)的方法一般需要滿足若干前提條件，例如線性回歸需要?dú)埐钚蛄胁幌嚓P(guān)、方差齊性等。如果模型驅(qū)動(dòng)的方法的前提條件不能滿足，或者時(shí)問序列數(shù)據(jù)的結(jié)構(gòu)隨時(shí)間發(fā)生變化，那么數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法有優(yōu)勢(shì)。 簡(jiǎn)單預(yù)測(cè)方法就是一種數(shù)據(jù)驅(qū)動(dòng)的方法，它取時(shí)間序列最新一期的數(shù)據(jù)作為預(yù)測(cè)值。數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法的優(yōu)點(diǎn)之一是它不需要太多的用戶輸入，因此更容易進(jìn)行自動(dòng)化預(yù)測(cè)。但是數(shù)據(jù)驅(qū)動(dòng)的方法需要有足夠多的數(shù)據(jù)進(jìn)行學(xué)習(xí)，它需要較長(zhǎng)的時(shí)間序列。許多數(shù)據(jù)挖掘方法，例如神經(jīng)網(wǎng)絡(luò)方法、回歸樹和其他用于截面數(shù)據(jù)的預(yù)測(cè)方法，都可以用于時(shí)間序列預(yù)測(cè)，尤其是用于包含外部數(shù)據(jù)的預(yù)測(cè)。 基于模型的預(yù)測(cè)方法和數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法的另一個(gè)不同在于找尋時(shí)間序列的局部規(guī)律還是全局規(guī)律?；谀Ｐ偷姆椒☉?yīng)用所有的數(shù)據(jù)來估計(jì)全局趨勢(shì)。如果是局部趨勢(shì)，那么用戶需要指出規(guī)律何時(shí)發(fā)生變化，如何變化等問題；而用戶常常是不知道這些信息的，故而很難給出。依據(jù)以上論述，如果是找尋可以應(yīng)用于所有時(shí)間周期的全局規(guī)律，一般選用基于模型的預(yù)測(cè)方法。而數(shù)據(jù)驅(qū)動(dòng)的方法可以從數(shù)據(jù)中學(xué)習(xí)規(guī)律，可以設(shè)置它們“記憶”的長(zhǎng)度來適應(yīng)時(shí)問序列的變化，用較短的“記憶”適應(yīng)時(shí)間序列快速的模式變化；較長(zhǎng)的“記憶”適應(yīng)較慢的模式變化。故此，數(shù)據(jù)驅(qū)動(dòng)的方法常用于找尋局部規(guī)律。

編輯推薦

《時(shí)間序列預(yù)測(cè)實(shí)踐教程》可以作為實(shí)用時(shí)間序列預(yù)測(cè)分析的教材，也可以作為預(yù)測(cè)分析實(shí)踐人員的參考書。

圖書封面

圖書標(biāo)簽Tags

無

評(píng)論、評(píng)分、閱讀與下載

---

    時(shí)間序列預(yù)測(cè)實(shí)踐教程 PDF格式下載

---