【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：

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】

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 3.9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】

**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**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/**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： 时序模型评估

1、 评估指标

Ø 判定系数：

和

Ø 平均误差：MAE

Ø 根均方差：RMSE

Ø 平均误差率：MAPE

2、 信息准则指标

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-Quinn Information Criterion，HQIC）

3、 评估方法

Ø 滚动交叉验证法（cross validation）

4、 其它评估

Ø 残差评估：白噪声评估

第三部分： 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、 时间序列简介

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、 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 **期数N的选择原则

² **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

5、 指数平滑

Ø 应用场景及原理

Ø **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

6、 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

第四部分： 季节预测模型

1、 因素分解思想

2、 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

案例：时间序列的季节分解

3、 Holt-Winters季节模型

Ø 三个组成部分

Ø 三个平滑因子

4、 HW加法模型

Ø 适用场景

Ø 计算公式

Ø 超参优化

Ø 模型解读

5、 HW乘法模型

6、 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

7、 基于回归的季节模型

Ø 相加模型

Ø 相乘模型

Ø 模型训练及优化

Ø 模型解读

第五部分： 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 **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

第六部分： 模型质量评估篇

1、 回归模型的评估指标

Ø 三个基本概念:SSR/SST/SSE

Ø 两个判定系数:R^2,调整R^2

Ø 三个误差指标:MAE/MAPE/RMSE

² 平均绝对误差MAE

² 均方差MSE/RMSE

² 平均误差率MAPE

2、 模型的评估方法

Ø 原始评估法

Ø 留出法（Hold-Out）

Ø 交叉验证法（k-fold cross validation）

Ø 自助采样法（Bootstrapping）

3、 时间序列的滚动交叉验证

第七部分： 高级时序模型

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、 LSTM模型简介

Ø 数据集构造

Ø 形状构造

Ø 滚动预测

第八部分： 广告点击量时序建模

结束：课程总结与问题答疑。