学习来源：DataWhale AI夏令营
赛题：电力需求预测挑战赛
时间序列分析和预测是数据分析的一个重要分支，尤其是在金融、经济、气象学、生物学等领域有着广泛的应用。时间序列数据是由一系列按时间顺序排列的数据点组成，这些数据点可能表现出趋势、季节性、周期性和随机性。
入门步骤
1. 理解基础概念
- 时间序列：一系列随时间记录的数据点。
- 趋势：长期上升或下降的模式。
- 季节性：周期性的重复模式。
- 周期性：非固定长度的重复模式。
- 平稳性：统计特性随时间保持不变。
2. 数据预处理
- 缺失值处理：插补或删除。
- 异常值检测：识别并处理。
- 平滑：去除噪声，如移动平均。
- 差分：使非平稳序列变得平稳。
3. 探索性数据分析 (EDA)
- 可视化：使用图表观察数据特性。
- 自相关函数 (ACF)：检查数据点之间的线性依赖关系。
- 偏自相关函数 (PACF)：检查数据点之间的直接关系。
机器学习方法
统计方法
- 自回归 (AR)：基于过去的值预测未来的值。
- 移动平均 (MA)：基于过去的误差预测未来的值。
- 自回归积分滑动平均 (ARIMA)：结合AR和MA，适用于非平稳序列。
- 向量自回归 (VAR)：用于多变量时间序列预测。
机器学习模型
- 支持向量机 (SVM)：可以用于回归预测。
- 决策树和随机森林：用于捕捉非线性关系。
- 梯度提升树 (GBM)：如 XGBoost 或 LightGBM，适用于复杂的模式。
深度学习模型
- 长短期记忆网络 (LSTM)：擅长处理序列数据，能够记住长期依赖。
- 门控循环单元 (GRU)：LSTM的一种变体，计算效率更高。
- 卷积神经网络 (CNN)：可以用于捕捉局部特征，与RNN结合使用效果更好。
实践步骤
- 数据收集：获取时间序列数据。
- 数据清洗与预处理：处理缺失值和异常值。
- 特征工程：提取有助于预测的特征。
- 模型选择与训练：选择合适的模型并调整参数。
- 模型评估：使用交叉验证、回测等方法评估模型性能。
- 模型部署：将模型应用到实际场景中。
资源学习
- 在线课程：Coursera、edX、Udemy等平台提供时间序列分析课程。
- 书籍：《Time Series Analysis and Its Applications》、《Forecasting: Principles and Practice》等。
- 实践项目：参与Kaggle等数据科学竞赛。
- 论文阅读：查阅最新的研究进展和方法。
