资源介绍
电子书格式: pdf
《Python 现代时间序列预测（第二版）》是一本面向数据科学从业者的实战指南，聚焦于利用 Python 生态工具实现工业级的时间序列预测解决方案。本书系统整合了机器学习与深度学习技术，结合 PyTorch 和 pandas 等主流库，为读者提供从基础理论到实战落地的完整知识体系，适合从入门到进阶的各类读者群体。
全书分为四个核心部分，结构层层递进、逻辑清晰。第一部分围绕时间序列基础展开，从定义与类型入手，详解时间序列的核心概念（如平稳性、趋势、季节性等），并介绍数据获取、预处理、可视化与基线预测方法。读者将学习如何处理缺失值、检测异常值，以及运用 ARIMA、指数平滑等经典方法建立预测基准，为后续进阶建模奠定基础。
第二部分聚焦机器学习在时间序列中的应用，核心是将时间序列预测转化为回归问题。书中深入讲解特征工程技术，包括滞后特征、滚动窗口统计、傅里叶变换等时间序列专属特征构建方法，同时涵盖目标变量变换、非平稳性处理等关键预处理步骤。通过线性回归、随机森林、梯度提升树等模型的实战演示，读者将掌握如何构建高效的机器学习预测系统，以及集成学习与模型堆叠技巧，提升预测精度。
第三部分转向深度学习领域，从基础概念切入，介绍神经网络的核心组件与工作原理，进而深入时间序列专用深度学习架构。书中详细讲解循环神经网络（RNN）、长短期记忆网络（LSTM）、Transformer 等模型的实现，以及 N-BEATS、Autoformer 等前沿架构的应用。同时覆盖概率预测、不确定性估计等高级主题，帮助读者构建更稳健的预测系统。
第四部分聚焦预测工程的实际落地，探讨多步预测策略、预测误差评估指标与验证方法。书中提供了丰富的实战案例，基于伦敦智能电表数据集贯穿全书，展示从数据预处理到模型部署的完整流程，让读者能够直接将所学知识应用于实际业务场景，如能源消耗预测、零售需求预测等。
本书的显著特点是理论与实践的深度结合，每个技术点都配有可复现的代码示例与详细解释。书中不仅涵盖传统统计方法与现代机器学习技术的融合，还引入全球预测模型等前沿范式，兼顾专业性与实用性。无论是数据科学家、机器学习工程师，还是 Python 开发者，都能通过本书掌握时间序列预测的核心技能，构建能够处理百万级时间序列的工业级系统。此外，书中提供的 GitHub 代码库与社区支持，进一步降低了学习门槛，助力读者快速上手实践。Modern Time Series Forecasting with Python