时间序列预测：基础模型实战指南 英文电子书

文件格式：epub mobi 《时间序列预测：基础模型实战指南》是一本聚焦时间序列预测领域前沿技术的实战型书籍，作者 Marco Peixeiro 凭借在该领域的深厚积累 —— 包括参与核心模型研发、维护开源库及开展专业培训的丰富经验，为读者系统拆解了基础模型在时间序列预测中的应用逻辑与实操方法。 全书结构清晰，分为四个核心部分，层层递进引导读者掌握技术要点。第一部分从基础概念切入，先明确基础模型的定义、核心特征及优缺点，深入解析支撑多数基础模型的 Transformer 架构，包括编码器、解码器的工作流程，嵌入层与位置编码的作用机制等关键技术细节。随后通过构建小型 N-BEATS 模型，让读者亲身体验预训练、迁移学习、微调等核心流程，直观感受构建基础模型的挑战与关键环节。 第二部分是本书的核心实战章节，详细介绍了多款专为时间序列预测设计的基础模型。从 TimeGPT 的 API 调用、零样本预测、微调优化，到 Lag-Llama 的概率预测特性、上下文长度调整；从 Chronos 的文本模型适配逻辑、令牌化技术，到 Moirai 对外部特征的原生支持、混合分布输出优势，再到 TimesFM 的确定性预测特点与长序列处理能力，每款模型均配套完整的代码示例、参数调优技巧及性能评估方法，覆盖零样本预测、异常检测、长周期预测等典型应用场景。 第三部分创新探索了大型语言模型（LLM）在时间序列预测中的应用。通过将预测任务转化为语言任务，详细讲解了 Flan-T5、Llama-3.2 等模型的提示工程技巧，包括零样本提示、少样本提示、思维链提示的设计方法，以及通过 API 调用或本地部署实现预测的完整流程。同时引入 Time-LLM 框架，展示如何通过补丁重编程、提示前缀等技术，将语言模型的文本处理能力适配到时间序列场景，拓展了预测模型的选择边界。 第四部分以博客日访问量预测为实际案例，开展综合实战项目。通过对比传统统计模型（如季节性朴素模型、SARIMA）与各类基础模型的预测性能，分析不同模型在准确性、推理速度上的 trade-off，帮助读者建立科学的模型选择与评估体系。项目全程贯穿完整的实验设计思路，从数据预处理、参数设置到交叉验证、结果分析，为读者提供可直接复用的实战模板。 本书的核心特色在于 “理论与实战并重”，既深入剖析模型底层架构与技术原理，又提供大量可直接运行的 Python 代码，配套 GitHub 仓库与数据集资源。书中采用的 utilsforecast、neuralforecast 等开源工具库，降低了技术落地门槛。无论是具备基础时间序列知识的数据分析从业者，还是希望拓展 AI 应用场景的技术开发者，都能通过本书快速掌握基础模型在预测任务中的核心技能，实现从理论到实践的落地转化。