Python数据建模（时序模型篇）

【培训对象】
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。

【培训收益】

第一部分：预测建模基础
1、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，寻找到最合适的模型参数
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
2、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/最优定价等
3、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）
4、训练模型及实现算法
模型原理
算法实现
5、评估模型
评估指标
评估方法
残差评估
6、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
7、模型应用
模型解读
模型保存/加载
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
判定系数：和
平均误差：MAE
根均方差：RMSE
平均误差率：MAPE
2、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）
3、评估方法
滚动交叉验证法（cross validation）
4、其它评估
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
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
4、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
最佳期数N的选择原则
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
5、指数平滑
应用场景及原理
最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
6、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
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
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
3、Holt-Winters季节模型
三个组成部分
三个平滑因子
4、HW加法模型
适用场景
计算公式
超参优化
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
相加模型
相乘模型
模型训练及优化
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
恒定的均值
恒定的标准差
与位置无关的协方差
3、序列平稳性检验
折线图法
ACF/PACF图
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
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
6、模型识别
ACF图
PACF图
7、模型定阶
图形定阶（ACF/PACF）
最小信息准则定阶
8、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
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
图形确定阶数
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
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
2、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）
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
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
2、LSTM模型简介
数据集构造
形状构造
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。