【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），**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。

**本课程的学习，达到如下目的：

掌握数据建模的标准流程。

掌握时序预测建模的基本思想，理解因素分解的思路。

掌握常用的趋势拟合模型。

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。

深刻理念平稳序列的概念，以及平稳性检验。

掌握平稳序列的模型识别，以及模型定阶。

掌握时序预测模型的评估，以及优化。

掌握高级时序模型的训练与建模。

【授课时间】

2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】

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。

【学员要求】

每个学员自备一台便携机(必须)。

便携机中事先安装好Python 3.9版本及以上。

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】

预测建模基础

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**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

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/**优定价等

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）

训练模型及实现算法

模型原理

算法实现

评估模型

评估指标

评估方法

残差评估

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

模型应用

模型解读

模型保存/加载

模型应用/预测

好模型是优化出来的

时序模型评估

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

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）

评估方法

滚动交叉验证法（cross validation）

其它评估

残差评估：白噪声评估

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？

时间序列简介

时序预测的原理及应用场景

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

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

**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

指数平滑

应用场景及原理

**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

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

季节预测模型

因素分解思想

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

Holt-Winters季节模型

三个组成部分

三个平滑因子

HW加法模型

适用场景

计算公式

超参优化

模型解读

HW乘法模型

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

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

平稳序列模型

平稳序列预测模型简介

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

序列平稳性检验

折线图法

ACF/PACF图

ADF检测法

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

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

模型识别

ACF图

PACF图

模型定阶

图形定阶（ACF/PACF）

**小信息准则定阶

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

ARIMA(p,d,q)建模流程

案例：上海证券交易所收盘价建模

SARIMA(p,d,q)(P,D,Q,S)模型

图形确定阶数

遍历确定阶数

时序模型总结

模型质量评估篇

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

平均绝对误差MAE

均方差MSE/RMSE

平均误差率MAPE

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）

时间序列的滚动交叉验证

高级时序模型

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

LSTM模型简介

数据集构造

形状构造

滚动预测

实战：广告点击量时序建模

结束：课程总结与问题答疑。