课程大纲：

Python时序模型

【课程目标】
本课程为中级课程《大数据建模》的第二篇：时序篇
本课程主要讲解如何利用Python进行时间序列的数据建模，帮助学员构建系统全面的预测建模思维，提升学员的数据建模综合能力。
本系列课程从实际的业务需求出发，结合行业的典型应用特点，围绕实际的商业问题，对数据预测建模的过程进行了全面的介绍（从模型选择，到属性选择，再到训练模型，评估模型以及优化模型），通过大量的操作演练，帮助学员掌握数据建模的思路、方法、技巧，以提升学员的数据建模的能力，支撑运营决策的目的。
通过本课程的学习，达到如下目的：
1、掌握数据建模的标准流程。
2、掌握时序预测建模的基本思想，理解因素分解的思路。
3、掌握常用的趋势拟合模型。
4、掌握常用的季节预测模型，能够进行季节周期性的时序建模。
5、深刻理念平稳序列的概念，以及平稳性检验。
6、掌握平稳序列的模型识别，以及模型定阶。
7、掌握时序预测模型的评估，以及优化。
8、掌握高级时序模型的训练与建模。

【授课对象】
业务支撑部、运营分析部、数据分析部、IT系统部、大数据系统开发部等相关技术人员。

【课程大纲】
一、预测建模基础
1、数据建模六步法
－选择模型：基于业务选择恰当的数据模型
－属性筛选：选择对目标变量有显著影响的属性来建模
－训练模型：采用合适的算法，寻找到最合适的模型参数
－评估模型：进行评估模型的质量，判断模型是否可用
－优化模型：如果评估结果不理想，则需要对模型进行优化
－应用模型：如果评估结果满足要求，则可应用模型于业务场景
2、数据挖掘常用的模型
－数值预测模型：回归预测、时序预测等
－分类预测模型：逻辑回归、决策树、神经网络、支持向量机等
－市场细分：聚类、RFM、PCA等
－产品推荐：关联分析、协同过滤等
－产品优化：回归、随机效用等
－产品定价：定价策略/最优定价等
3、属性筛选/特征选择/变量降维
－基于变量本身特征
－基于相关性判断
－因子合并（PCA等）
－IV值筛选（评分卡使用）
－基于信息增益判断（决策树使用）
4、训练模型及实现算法
－模型原理
－算法实现
5、评估模型
－评估指标
－评估方法
－残差评估
6、模型优化
－优化模型：选择新模型/修改模型
－优化数据：新增显著自变量
－优化公式：采用新的计算公式
7、模型应用
－模型解读
－模型保存/加载
－模型应用/预测
8、好模型是优化出来的
二、时序模型评估
1、评估指标
－判定系数：和
－平均误差：MAE
－根均方差：RMSE
－平均误差率：MAPE
2、信息准则指标
－赤池信息准则（Akaike Information Criterion，AIC）
－贝叶斯信息准则（Bayesian Information Criterion，BIC）
－HQIC（Hannan-Quinn Information Criterion，HQIC）
3、评估方法
－滚动交叉验证法（cross validation）
4、其它评估
－残差评估：白噪声评估
三、趋势预测模型
问题：无法找到影响因素，无法回归建模，怎么办？随着业务受季节性因素影响，未来的销量如何预测？
1、时间序列简介
2、时序预测的原理及应用场景
3、常见时序预测模型
－趋势类预测模型
－季节类预测模型
－平稳时序预测模型
－其它高级模型
4、移动平均
－应用场景及原理
－理解滑动窗口
－移动平均种类
－一次移动平均
－二次移动平均
－加权移动平均
－移动平均比率法
－移动平均关键问题
－*期数N的选择原则
－最优权重系数的选取原则
演练：销售额预测模型及评估
演练：快销产品季节销量预测及评估
5、指数平滑
－应用场景及原理
－最优平滑系数的选取原则
－指数平滑种类
－一次指数平滑
－二次指数平滑（Brown线性）
－三次指数平滑
演练：煤炭产量预测
6、Holt趋势模型（亦称二次指数平滑）
－Holt线性模型
－Holt指数模型
－阻尼线性趋势
－阻尼指数趋势
四、季节预测模型
1、因素分解思想
2、时间序列的四个构成要素
－长期趋势Trend
－季节变动Seasonality
－循环变动Circle
－不规则变动Irregular
案例：时间序列的季节分解
3、Holt-Winters季节模型
－三个组成部分
－三个平滑因子
4、HW加法模型
－适用场景
－计算公式
－超参优化
－模型解读
5、HW乘法模型
6、HW指数模型
案例：航空飞行里程预测模型
案例：汽车销量预测模型
案例：沃尔玛收益预测模型
7、基于回归的季节模型
－相加模型
－相乘模型
－模型训练及优化
－模型解读
五、平稳序列模型
1、平稳序列预测模型简介
2、序列平稳性概念
－恒定的均值
－恒定的标准差
－与位置无关的协方差
3、序列平稳性检验
－折线图法
－ACF/PACF图
－ADF检测法
4、特殊平稳序列：白噪声
案例：序列平稳性检验
案例：白噪声检验
5、平稳序列常用拟合模型
－AR(p)自回归模型
－MA(q)移动平均模型
－ARMA(p,q)自回归移动平均模型
6、模型识别
－ACF图
－PACF图
7、模型定阶
－图形定阶（ACF/PACF）
－最小信息准则定阶
8、非平稳序列处理
－平滑法
－变量变换
－差分运算：k步差分与d阶差分
9、ARIMA(p,d,q)建模流程
案例：上海证券交易所收盘价建模
10、SARIMA(p,d,q)(P,D,Q,S)模型
－图形确定阶数
－遍历确定阶数
11、时序模型总结
六、模型质量评估篇
1、回归模型的评估指标
－三个基本概念:SSR/SST/SSE
－两个判定系数:R^2,调整R^2
－三个误差指标:MAE/MAPE/RMSE
－平均*误差MAE
－均方差MSE/RMSE
－平均误差率MAPE
2、模型的评估方法
－原始评估法
－留出法（Hold-Out）
－交叉验证法（k-fold cross validation）
－自助采样法（Bootstrapping）
3、时间序列的滚动交叉验证
七、高级时序模型
1、Prophet模型介绍
－趋势拟合
－季节性预测
－节假日和特殊事件的影响
－离群值分析
案例：销售额时序预测模型
2、LSTM模型简介
－数据集构造
－形状构造
－滚动预测
八、广告点击量时序建模

结束：课程总结与问题答疑。

Python时序模型