|
Python数据建模（时序模型篇） 【课程目标】 本课程为高级课程《Python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。 【授课时间】 2~4天时间 （要根据学员的实际情况调整重点内容及时间） 【授课对象】 数据分析部、IT开发部、业务支撑部、运营分析部等相关技术人员。 【学员要求】 1、每个学员自备一台便携机(必须)。 2、便携机中事先安装好Python 3.10版本及以上。 3、安装好Numpy,Pandas,statsmodels,sklearn,scipy,keras等扩展库。 注：讲师现场提供分析的代码和数据源。
【授课方式】 建模流程+ 案例演练 + 开发实践 + 可视化呈现 采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中获得能力提升。 【课程大纲】 第一部分： 预测建模基础1、 数据建模六步法 Ø 选择模型：基于业务选择恰当的数据模型 Ø 属性筛选：选择对目标变量有显著影响的属性来建模 Ø 训练模型：采用合适的算法，寻找到最合适的模型参数 Ø 评估模型：进行评估模型的质量，判断模型是否可用 Ø 优化模型：如果评估结果不理想，则需要对模型进行优化 Ø 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 Ø 数值预测模型：回归预测、时序预测等 Ø 分类预测模型：逻辑回归、决策树、神经网络、支持向量机等 Ø 市场细分：聚类、RFM、PCA等 Ø 产品推荐：关联分析、协同过滤等 Ø 产品优化：回归、随机效用等 Ø 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 Ø 基于变量本身特征 Ø 基于相关性判断 Ø 因子合并（PCA等） Ø IV值筛选（评分卡使用） Ø 基于信息增益判断（决策树使用） 4、 训练模型及实现算法 Ø 模型原理 Ø 算法实现 5、 评估模型 Ø 评估指标 Ø 评估方法 Ø 残差评估 6、 模型优化 Ø 优化模型：选择新模型/修改模型 Ø 优化数据：新增显著自变量 Ø 优化公式：采用新的计算公式 7、 模型应用 Ø 模型解读 Ø 模型保存/加载 Ø 模型应用/预测 8、 好模型是优化出来的
第二部分： 时序模型基础问题：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、回归预测vs时序预测 2、时序预测的原理及应用场景 3、常见时序预测模型 Ø 趋势类预测模型 Ø 季节类预测模型 Ø 平稳时序预测模型 Ø 其它高级模型 4、时序建模的基本思想：因素分解思想 5、时间序列的四个构成要素 Ø 长期趋势Trend Ø 季节变动Seasonality Ø 循环变动Circle Ø 不规则变动Irregular 6、季节性的3种模式 Ø 确定的季节性 Ø 随机平稳的季节性 Ø 随机非平稳的季节性 7、季节性的检验 Ø 测量季节强度 Ø 检测非平稳季节性 Ø 相关性检验 Ø 自相关/偏相关分析 8、时间序列分解 案例：时间序列的季节分解
第三部分： 时序模型评估1、 拟合程度指标 Ø 判定系数： 2、 误差评估指标 Ø 平均绝对误差：MAE Ø 根均方差：RMSE Ø 平均误差率：MAPE 3、 信息损失准则指标 Ø 赤池信息准则（Akaike Information Criterion，AIC） Ø 贝叶斯信息准则（Bayesian Information Criterion，BIC） Ø HQIC（Hannan-QuinnInformation Criterion，HQIC） 4、 评估方法 Ø 滚动交叉验证法（cross validation） 5、 其它评估 Ø 残差评估：白噪声评估
第四部分： 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、移动平均 Ø 应用场景及原理 Ø 理解滑动窗口 Ø 移动平均种类 ² 一次移动平均 ² 二次移动平均 ² 加权移动平均 ² 移动平均比率法 Ø 移动平均关键问题 ² 最佳期数N的选择原则 ² 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 2、指数平滑 Ø 应用场景及原理 Ø 最优平滑系数的选取原则 Ø 指数平滑种类 ² 一次指数平滑 ² 二次指数平滑（Brown线性） ² 三次指数平滑 演练：煤炭产量预测 3、Holt趋势模型（亦称二次指数平滑） Ø Holt线性模型 Ø Holt指数模型 Ø 阻尼线性趋势 Ø 阻尼指数趋势 第五部分： 季节预测模型1、因素分解法 Ø 移动平均差值法 Ø 移动平均比率法 2、Holt-Winters季节模型：HW加法、HW乘法、HW指数 Ø 适用场景 Ø 计算公式 Ø 超参优化 Ø 模型解读 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 3、基于回归的季节模型：相加模型、相乘模型 Ø 模型参数、模型解读 第六部分： 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 Ø 恒定的均值 Ø 恒定的标准差 Ø 与位置无关的协方差 3、序列平稳性检验 Ø 折线图法 Ø ACF/PACF图 Ø 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 Ø AR(p)自回归模型 Ø MA(q)移动平均模型 Ø ARMA(p,q)自回归移动平均模型 6、模型识别 Ø ACF图 Ø PACF图 7、模型定阶 Ø 图形定阶（ACF/PACF） Ø 最小信息准则定阶 8、非平稳序列处理 Ø 平滑法 Ø 变量变换 Ø 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 Ø 图形确定阶数 Ø 遍历确定阶数 11、 时序模型总结 第七部分： 机器学习时序模型1、Prophet模型介绍 Ø 趋势拟合 Ø 季节性预测 Ø 节假日和特殊事件的影响 Ø 离群值分析 案例：销售额时序预测模型 2、NeuralProphet模型 3、GBDT集成模型 4、XGBoost模型 5、LightGBM模型 第八部分： 深度学习时序模型1、LSTM模型简介 Ø 数据集构造 Ø 形状构造 Ø 滚动预测 案例：广告点击量时序建模 2、seq2seq框架 3、Transform模型 结束：课程总结与问题答疑。
| 
