第1 篇 预测入门
第1 章 认识预测 ． 2
1．1 什么是预测 ． 2
1．1．1 占卜术 ． 3
1．1．2 神秘的地动仪 ． 3
1．1．3 科学预测 ． 5
1．1．4 预测的原则 ． 7
1．2 前沿技术 ． 9
1．2．1 大数据与预测 ． 10
1．2．2 大数据预测的特点 11
1．2．3 人工智能与预测 ． 15
1．2．4 人工智能预测的特点 ． 17
1．2．5 典型预测案例 ． 18
1．3 Python 预测初步 ． 26
1．3．1 数据预处理 ． 27
1．3．2 建立模型 ． 31
1．3．3 预测及误差分析 ． 34
第2 章 预测方法论 ． 37
2．1 预测流程 ． 37
2．1．1 确定主题 ． 38
2．1．2 收集数据 ． 40
2．1．3 选择方法 ． 42
2．1．4 分析规律 ． 43
2．1．5 建立模型 ． 48
2．1．6 评估效果 ． 51
2．1．7 发布模型 ． 52
2．2 指导原则 ． 53
2．2．1 界定问题 ． 53
2．2．2 判断预测法 ． 55
2．2．3 外推预测法 ． 56
2．2．4 因果预测法 ． 58
2．3 团队构成 ． 59
2．3．1 成员分类 ． 59
2．3．2 数据氛围 ． 61
2．3．3 团队合作 ． 63
第3 章 探索规律 ． 65
3．1 相关分析 ． 65
3．1．1 自相关分析 ． 65
3．1．2 偏相关分析 ． 68
3．1．3 简单相关分析 ． 69
3．1．4 互相关分析 ． 80
3．1．5 典型相关分析 ． 82
3．2 因果分析 ． 87
3．2．1 什么是因果推断 ． 87
3．2．2 因果推断的方法 ． 90
3．2．3 时序因果推断 ． 93
3．3 聚类分析 ． 98
3．3．1 K-Means 算法 ． 98
3．3．2 系统聚类算法 ． 102
3．4 关联分析 110
3．4．1 关联规则挖掘 110
3．4．2 Apriori 算法 ． 111
3．4．3 Eclat 算法 120
3．4．4 序列模式挖掘 ． 123
3．4．5 SPADE 算法 124
第4 章 特征工程 ． 136
4．1 特征变换 ． 136
4．1．1 概念分层 ． 137
4．1．2 标准化 ． 138
4．1．3 离散化 ． 141
4．1．4 函数变换 ． 143
4．1．5 深入表达 ． 144
4．2 特征组合 ． 145
4．2．1 基于经验 ． 145
4．2．2 二元组合 ． 146
4．2．3 高阶多项式 ． 148
4．3 特征评价 ． 151
4．3．1 特征初选 ． 151
4．3．2 影响评价 ． 152
4．3．3 模型法 ． 167
4．4 特征学习 ． 172
4．4．1 基本思路 ． 173
4．4．2 特征表达式 ． 174
4．4．3 初始种群 ． 183
4．4．4 适应度 ． 185
4．4．5 遗传行为 ． 187
4．4．6 实例分析 ． 192
第2 篇 预测算法
第5 章 参数优化 ． 199
5．1 交叉验证 ． 199
5．2 网格搜索 ． 201
5．3 遗传算法 ． 203
5．3．1 基本概念 ． 203
5．3．2 遗传算法算例 ． 204
5．3．3 遗传算法实现步骤 ． 209
5．3．4 遗传算法Python 实现 210
5．4 粒子群优化 ． 213
5．4．1 基本概念及原理 ． 213
5．4．2 粒子群算法的实现步骤 ． 214
5．4．3 用Python 实现粒子群算法 215
5．5 模拟退火 ． 220
5．5．1 基本概念及原理 ． 220
5．5．2 模拟退火算法的实现步骤 ． 221
5．5．3 模拟退火算法Python 实现 222
第6 章 线性回归及其优化 226
6．1 多元线性回归 ． 226
6．1．1 回归模型与基本假定 ． 226
6．1．2 最小二乘估计 ． 227
6．1．3 回归方程和回归系数的显著性检验 ． 228
6．1．4 多重共线性 ． 229
6．2 Ridge 回归 233
6．2．1 基本概念 ． 233
6．2．2 岭迹曲线 ． 233
6．2．3 基于GCV 准则确定岭参数 ． 235
6．2．4 Ridge 回归的Python 实现 ． 237
6．3 Lasso 回归 ． 237
6．3．1 基本概念 ． 237
6．3．2 使用LAR 算法求解Lasso ． 238
6．3．3 Lasso 算法的Python 实现 ． 240
6．4 分位数回归 ． 242
6．4．1 基本概念 ． 242
6．4．2 分位数回归的计算 ． 245
6．4．3 用单纯形法求解分位数回归及Python 实现 246
6．5 稳健回归 ． 248
6．5．1 基本概念 ． 249
6．5．2 M 估计法及Python 实现 ． 250
第7 章 复杂回归分析 ． 254
7．1 梯度提升回归树（GBRT） ． 254
7．1．1 Boosting 方法简介 254
7．1．2 AdaBoost 算法 255
7．1．3 提升回归树算法 ． 257
7．1．4 梯度提升 ． 259
7．1．5 GBRT 算法的Python 实现 261
7．2 深度神经网络 ． 264
7．2．1 基本概念 ． 264
7．2．2 从线性回归说起 ． 269
7．2．3 浅层神经网络 ． 272
7．2．4 深层次拟合问题 ． 277
7．2．5 DNN 的Python 实现 278
7．3 支持向量机回归 ． 281
7．3．1 基本问题 ． 281
7．3．2 LS-SVMR 算法 ． 284
7．3．3 LS-SVMR 算法的Python 实现 ． 285
7．4 高斯过程回归 ． 286
7．4．1 GPR 算法 287
7．4．2 GPR 算法的Python 实现 ． 289
第8 章 时间序列分析 ． 292
8．1 Box-Jenkins 方法 292
8．1．1 p 阶自回归模型 293
8．1．2 q 阶移动平均模型 295
8．1．3 自回归移动平均模型 ． 296
8．1．4 ARIMA 模型 ． 300
8．1．5 ARIMA 模型的Python 实现 ． 301
8．2 门限自回归模型 ． 309
8．2．1 TAR 模型的基本原理 309
8．2．2 TAR 模型的Python 实现 ． 310
8．3 GARCH 模型族 313
8．3．1 线性ARCH 模型 313
8．3．2 GRACH 模型 315
8．3．3 EGARCH 模型 ． 315
8．3．4 PowerARCH 模型 ． 316
8．4 向量自回归模型 ． 318
8．4．1 VAR 模型基本原理 318
8．4．2 VAR 模型的Python 实现 ． 320
8．5 卡尔曼滤波 ． 324
8．5．1 卡尔曼滤波算法介绍 ． 324
8．5．2 卡尔曼滤波的Python 实现 326
8．6 循环神经网络 ． 328
8．6．1 RNN 的基本原理 329
8．6．2 RNN 算法的Python 实现 332
8．7 长短期记忆网络 ． 335
8．7．1 LSTM 模型的基本原理 ． 336
8．7．2 LSTM 算法的Python 实现 341
第3 篇 预测应用
第9 章 短期日负荷曲线预测 ． 345
9．1 电力行业负荷预测介绍 ． 345
9．2 短期日负荷曲线预测的基本要求 ． 346
9．3 预测建模准备 ． 347
9．3．1 基础数据采集 ． 347
9．3．2 缺失数据处理 ． 349
9．3．3 潜在规律分析 ． 352
9．4 基于DNN 算法的预测 355
9．4．1 数据要求 ． 356
9．4．2 数据预处理 ． 356
9．4．3 网络结构设计 ． 357
9．4．4 建立模型 ． 358
9．4．5 预测实现 ． 359
9．4．6 效果评估 ． 359
9．5 基于LSTM 算法的预测 361
9．5．1 数据要求 ． 361
9．5．2 数据预处理 ． 362
9．5．3 网络结构设计 ． 362
9．5．4 建立模型 ． 363
9．5．5 预测实现 ． 364
9．5．6 效果评估 ． 364
第10 章 股票价格预测 ． 367
10．1 股票市场简介 ． 367
10．2 获取股票数据 ． 368
10．3 基于VAR 算法的预测 ． 371
10．3．1 平稳性检验 ． 371
10．3．2 VAR 模型定阶 372
10．3．3 预测及效果验证 ． 373
10．4 基于LSTM 算法的预测． 375
10．4．1 数据要求 ． 375
10．4．2 数据预处理 ． 376
10．4．3 网络结构设计 ． 377
10．4．4 建立模型 ． 377
10．4．5 预测实现 ． 378
10．4．6 效果评估 ． 378
参考文献 ． 381