时间序列预测实践教程PDF电子书下载

第1章 预测过程简介 1

1.1预测应用 1

1.2本书常用符号 1

1.3预测过程 2

1.4预测目标——以美国铁路客运公司为例 3

1.4.1描述性目标和预测性目标 4

1.4.2向前预测期数和预测数据更新 5

1.4.3预测的应用 6

1.4.4预测自动化水平 6

第2章 数据 9

2.1数据收集 9

2.2时间序列的组成成分 11

2.3时间序列的可视化 11

2.4交互式可视化 16

2.5数据预处理 19

第3章 预测结果评估 24

3.1数据分割 24

3.1.1按时间划分时间序列 25

3.1.2合并训练集和验证集建立最终预测模型 26

3.1.3选择验证集区间 28

3.2简单预测 28

3.3衡量预测精度 29

3.3.1常用衡量预测精度的指标 29

3.3.2衡量模型预测精度指标的注意问题 31

3.4预测不确定性评估 33

3.4.1预测误差的分布 33

3.4.2预测区间 33

第4章 预测方法概述 36

4.1基于模型的方法和数据驱动的方法 36

4.2外推法、计量模型和外部信息 37

4.3人工预测和自动预测 38

4.4组合方法 38

第5章 基于回归的预测方法 43

5.1趋势模型的分析 43

5.1.1线性趋势 43

5.1.2指数趋势 48

5.1.3多项式趋势 49

5.2带有季节性趋势的模型 51

5.3同时带有趋势性和季节性的模型 54

5.4由模型进行预测 56

5.5 AR模型和ARIMA模型 58

5.5.1计算自相关 59

5.5.2利用自相关信息来提高预测精度 62

5.5.3评价可预测性 65

5.6不规则的趋势模式 66

5.6.1离群值 67

5.6.2特殊事件 67

第6章 平滑方法 80

6.1引言 80

6.2移动平均 80

6.2.1中心移动平均：方便可视化 81

6.2.2截尾移动平均：方便预测 81

6.2.3选择窗口宽度（w） 86

6.3差分 86

6.3.1剔除趋势 86

6.3.2剔除季节性（季节调整、去季节化） 87

6.3.3剔除趋势和季节性 88

6.4简单指数平滑处理 88

6.4.1选择平滑处理参数α 89

6.4.2移动平均和简单指数平滑之间的关系 90

6.5高级指数平滑处理 91

6.5.1带有趋势的序列：加法模型 91

6.5.2带有趋势的序列：乘法模型 91

6.5.3带有趋势和季节性的序列 92

6.5.4带有季节性的时间序列（无趋势） 93

6.6指数平滑方法的扩展 95

6.6.1多个季节周期 95

6.6.2加法平滑常数 95

第7章 其他预测方法 105

7.1预测中如何应用外部信息 105

7.1.1案例1：预测农作物的产量 106

7.1.2案例2：预测电影的票房收入 107

7.2预测二元结果 108

7.3逻辑回归 108

7.3.1逻辑回归简介 108

7.3.2案例：澳大利亚Melbourne的降雨预测 110

7.4神经网络 113

7.4.1神经网络模型 114

7.4.2预处理 117

7.4.3用户输入 117

7.4.4案例：预测Amtrak公司的客流 118

7.4.5神经网络的输出 119

第8章 沟通和维护 125

8.1预测结果的报告 125

8.2预测监测 127

8.3撰写报告 128

8.4保持预测记录 128

8.5决策者的预测调整 129

第9章 实习案例 131

9.1预测公共交通需求 131

9.1.1问题背景 131

9.1.2问题描述 131

9.2游客预测 133

9.2.1问题背景 133

9.2.2问题描述 133

9.3预测股票价格的变化（2010年INFORM比赛题目） 135

9.3.1问题背景 135

9.3.2问题描述 135

附录A XLMiner软件的获取方法和菜单项简介 139

参考文献 143