预测：方法与实践

摘要: 《预测：方法与实践》

【对算法，数学，计算机感兴趣的同学，欢迎关注我哈，阅读更多原创文章】
我的网站：潮汐朝夕的生活实验室
我的公众号：算法题刷刷
我的知乎：潮汐朝夕
我的github：FennelDumplings
我的leetcode：FennelDumplings

---

本书是《预测： 方法与实践》，2018年4月的第二版，主要变化如下：

• 最大的变化是更加聚焦时间序列预测。也就是说，我们不再讨论横截面数据预测的问题。本书中的所有预测都涉及使用过去收集的观测结果预测未来数据。
• 同时我们简化了指数平滑章节，增加了动态回归预测、分层预测以及实际预测中的问题等章节。
• 增加组合预测、复杂季节模式处理、小时数据、日度数据及周数据的处理、计数时间序列的预测等内容。

本书代码用R语言，画图主要参考《ggplot2: Elegant graphics for data analysis》。

所有R示例都需要先通过 library(fpp2) 加载CRAN上的 fpp2 包。加载 fpp2 包的同时也加载了几个其他包，包括forecast 和 ggplot2，以及本书中用到的所有数据。 fpp2 这个包需要8.0版本以上的 forecast 包以及2.0.0版本以上的ggplot2包。

网页版链接：预测： 方法与实践

---

---

预测问题

• 什么可以被预测
• 预测、计划和目标
• 决定预测什么
• 预测数据和方法
• 预测过程的主要步骤
• 统计预测观点

时间序列图形

• ts 对象
• 时间图
• 时间序列模式
• 季节图
• 子系列季节图
• 散点图
• 滞后图
• 自相关
• 白噪声

预测者的工具集

• 一些简单的预测方法
• 变换和调整
• 残差诊断
• 评估预测精度
• 预测区间
• R中的预测包

判断预测

• 谨防局限性
• 主要原则
• 德尔菲法
• 类比预测
• 情景预测
• 新产品预测
• 判断性调整

时间序列回归模型

• 线性模型
• 最小二乘估计
• 回归模型的评估
• 高效的预测变量
• 预测变量的筛选
• 回归预测
• 矩阵方程
• 非线性回归
• 相关关系、因果关系和预测

时间序列分解

• 时间序列成分
• 移动平均
• 经典时间序列分解
• X11 分解法
• SEATS 分解法
• STL 分解法
• 趋势性和季节性的程度测定
• 分解法预测

指数平滑

• 简单的指数平滑
• 趋势法
• Holt-Winters季节性方法
• 指数平滑法的分类
• 创新的指数平滑状态空间模型
• 模型估计和选择
• 使用ETS模型预测

ARIMA 模型

• 平稳性和差分
• 延迟算子
• 自回归模型
• 移动平均模型
• 非季节性ARIMA模型
• 估计和阶数选择
• 在R中建立ARIMA模型
• 季节性ARIMA模型
• ARIMA vs ETS

动态回归模型

• 模型估计
• ARIMA 误差回归在 R 中的实现
• 模型预测
• 随机趋势和确定性趋势
• 动态谐波回归
• 滞后预测变量

预测分层或分组时间序列

• 分层时间序列
• 分组时间序列
• 自下而上的方法
• 自上而下的方法
• 中间突破方法
• 映射矩阵
• 最优调和方法

高级预测方法

• 复杂季节性
• 向量自回归
• 神经网络模型
• Bootstrapping 和 bagging

实际预测问题

• 周数据，日数据及日以下数据
• 计数时间序列
• 限定预测结果范围
• 预测组合
• 总和的区间预测
• 向后预测
• 长期和短期的时间序列
• 训练集和测试集预测
• 处理缺失值和离群值

---