●第1篇預測入門
第1章認識預測2
1.1什麼是預測2
1.1.1術3
1.1.2神秘的地動儀3
1.1.3科學預測5
1.1.4預測的原則7
1.2前沿技術9
1.2.1大數據與預測10
1.2.2大數據預測的特點11
1.2.3人工智能與預測15
1.2.4人工智能預測的特點17
1.2.5典型預測案例18
1.3Python預測初步26
1.3.1數據預處理27
1.3.2建立模型31
1.3.3預測及誤差分析34
第2章預測方法論37
2.1預測流程37
2.1.1確定主題38
2.1.2收集數據40
2.1.3選擇方法42
2.1.4分析規律43
2.1.5建立模型48
2.1.6評估效果51
2.1.7發布模型52
2.2指導原則53
2.2.1界定問題53
2.2.2判斷預測法55
2.2.3外推預測法56
2.2.4因果預測法58
2.3團隊構成59
2.3.1成員分類59
2.3.2數據氛圍61
2.3.3團隊合作63
第3章探索規律65
3.1相關分析.65
3.1.1自相關分析65
3.1.2偏相關分析68
3.1.3簡單相關分析69
3.1.4互相關分析80
3.1.5典型相關分析82
3.2因果分析87
3.2.1什麼是因果推斷87
3.2.2因果推斷的方法90
3.2.3時序因果推斷93
3.3聚類分析98
3.3.1K-Means算法98
3.3.2繫統聚類算法102
3.4關聯分析110
3.4.1關聯規則挖掘110
3.4.2Apriori算法111
3.4.3Eclat算法120
3.4.4序列模式挖掘123
3.4.5SPADE算法124
第4章特征工程136
4.1特征變換136
4.1.1概念分層137
4.1.2標準化138
4.1.3離散化141
4.1.4函數變換143
4.1.5深入表達144
4.2特征組合145
4.2.1基於經驗145
4.2組合146
4.2.3高階多項式148
4.3特征評價151
4.3.1特征初選151
4.3.2影響評價152
4.3.3模型法167
4.4特征學習172
4.4.1基本思路173
4.4.2特征表達式174
4.4.3初始種群183
4.4.4適應度185
4.4.5遺傳行為187
4.4.6實例分析192
第2篇預測算法
第5章參數優化199
5.1交叉驗證199
5.2網格搜索201
5.3遺傳算法203
5.3.1基本概念203
5.3.2遺傳算法算例204
5.3.3遺傳算法實現步驟209
5.3.4遺傳算法Python實現210
5.4粒子群優化213
5.4.1基本概念及原理213
5.4.2粒子群算法的實現步驟214
5.4.3用Python實現粒子群算法215
5.5模擬退火220
5.5.1基本概念及原理220
5.5.2模擬退火算法的實現步驟221
5.5.3模擬退火算法Python實現222
第6章線性回歸及其優化226
6線性回歸226
6.1.1回歸模型與基本假定226
6.1.2最小二乘估計227
6.1.3回歸方程和回歸繫數的顯著性檢驗228
6.1.4多重共線性229
6.2Ridge回歸233
6.2.1基本概念233
6.2.2嶺跡曲線233
6.2.3基於GCV準則確定嶺參數235
6.2.4Ridge回歸的Python實現237
6.3Lasso回歸237
6.3.1基本概念237
6.3.2使用LAR算法求解Lasso238
6.3.3Lasso算法的Python實現240
6.4分位數回歸242
6.4.1基本概念242
6.4.2分位數回歸的計算245
6.4.3用單純形法求解分位數回歸及Python實現246
6.5穩健回歸248
6.5.1基本概念249
6.5.2M估計法及Python實現250
第7章復雜回歸分析254
7.1梯度提升回歸樹（GBRT）254
7.1.1Boosting方法簡介254
7.1.2AdaBoost算法255
7.1.3提升回歸樹算法257
7.1.4梯度提升259
7.1.5GBRT算法的Python實現261
7.2深度神經網絡264
7.2.1基本概念264
7.2.2從線性回歸說起269
7.2.3淺層神經網絡272
7.2.4深層次擬合問題277
7.2.5DNN的Python實現278
7.3支持向量機回歸281
7.3.1基本問題281
7.3.2LS-SVMR算法284
7.3.3LS-SVMR算法的Python實現285
7.4高斯過程回歸286
7.4.1GPR算法287
7.4.2GPR算法的Python實現289
第8章時間序列分析292
8.1Box-Jenkins方法292
8.1.1p階自回歸模型293
8.1.2q階移動平均模型295
8.1.3自回歸移動平均模型296
8.1.4ARIMA模型300
8.1.5ARIMA模型的Python實現301
8.2門限自回歸模型309
8.2.1TAR模型的基本原理309
8.2.2TAR模型的Python實現310
8.3GARCH模型族313
8.3.1線性ARCH模型313
8.3.2GRACH模型315
8.3.3EGARCH模型315
8.3.4PowerARCH模型316
8.4向量自回歸模型318
8.4.1VAR模型基本原理318
8.4.2VAR模型的Python實現320
8.5卡爾曼濾波324
8.5.1卡爾曼濾波算法介紹324
8.5.2卡爾曼濾波的Python實現326
8.6循環神經網絡328
8.6.1RNN的基本原理329
8.6.2RNN算法的Python實現332
8.7長短期記憶網絡335
8.7.1LSTM模型的基本原理336
8.7.2LSTM算法的Python實現341
第3篇預測應用
第9章短期日負荷曲線預測345
9.1電力行業負荷預測介紹345
9.2短期日負荷曲線預測的基本要求346
9.3預測建模準備347
9.3.1基礎數據采集347
9.3.2缺失數據處理349
9.3.3潛在規律分析352
9.4基於DNN算法的預測355
9.4.1數據要求356
9.4.2數據預處理356
9.4.3網絡結構設計357
9.4.4建立模型358
9.4.5預測實現359
9.4.6效果評估359
9.5基於LSTM算法的預測361
9.5.1數據要求361
9.5.2數據預處理362
9.5.3網絡結構設計362
9.5.4建立模型363
9.5.5預測實現364
9.5.6效果評估364
第10章股票價格預測367
10.1股票市場簡介367
10.2獲取股票數據368
10.3基於VAR算法的預測371
10.3.1平穩性檢驗371
10.3.2VAR模型定階372
10.3.3預測及效果驗證373
10.4基於LSTM算法的預測375
10.4.1數據要求375
10.4.2數據預處理376
10.4.3網絡結構設計377
10.4.4建立模型377
10.4.5預測實現378
10.4.6效果評估378
參考文獻381
Python是一種面向對像的腳本語言，其代碼簡潔優美，類庫豐富，開發效率也很高，得到越來越多開發者的喜愛，廣泛應用於Web開發、網絡編程、爬蟲開發、自動化運維、雲計算、人工智能、科學計算等領域。預測技術在當今智能分析及其應用領域中發揮著重要作用，也是大數據時代的核心價值所在。隨著AI技術的進一步深化，預測技術將更好地支撐復雜場景下的預測需求，其商業價值不言而喻。基於Python來做預測，不僅能夠在業務上快速落地，還讓代碼維護更加方便。對預測原理的深度剖析和算法的細致解讀，是本書的一大亮點。本書共分為3篇。第1篇介紹預測基礎，主要包括預測概念理解、預測方法論、分析方法、特征技術、模型優化及評價，讀者通過這部分內容的學習，可以掌握預測的基本步驟和方法思路。第2篇介紹預測算法，該部分回歸分析、復雜回歸分析、時間序列及進階算法，內容比較有難度，需要細心品味。第3篇介紹預測案例，包括短期日負等
