《时间序列预测实践教程》3

第六章 平滑方法

讨论集中依赖于平滑处理的时间序列预测方法。平滑处理时对多个观测值进行平均以减少噪音。先从两种简单的平滑处理入手，移动平均法和简单指数平滑法，适合预测不带有趋势和季节性的时间序列。两种方法的预测值都是序列过去值的平均值（在序列历史值得长度和历史值得权重分配不同）同时给出了怎样对移动平均略加变化来进行数据的可视化。然后介绍适合带有趋势性和季节性的时间序列的平滑处理方法。平滑处理时数据驱动的方法，可适应随时间变化的时间序列的变化，尽管平滑方法高度自动化，但还是需要给出参数，决定平滑适应新数据的快慢。讨论参数的选择及意义。

第七章 其他预测方法

7.1预测中如何应用外部信息

引入哪些+如何引入

1.滞后预测变量和预测变量的预测

比如用每周汽油价格作为外部信息预测机票价格：一是用上一周的汽油价格来预测这周的机票；二是用预测出的这周的汽油价格来预测这周的机票。

2.训练集时间段和模型更新

7.2预测二元结果

性能评估使用分类矩阵，也称为混淆矩阵

7.3 逻辑回归

例如对胜率进行预测。例预测是否下雨

7.4 神经网络

高度数据驱动，需要少量用户输入，黑盒。预测性能随问题不同而不同。

1.神经网络模型。创建多层次的衍生变量。在每一层中对输入进行操作产生输入变量，作为下一层的输入。一般有三类层：输入层，隐藏层，输出层。

每层有一个或多个节点，每个节点表示一个变量。隐藏层的节点为衍生变量，是输入变量的某个单调函数值或加权和。常见隐藏层函数有线性，指数，s型。

线性回归，逻辑回归，自回归都可以看做是没有隐藏层的神经网络模型。实际中应用最好的是简单的或没有隐藏层的。

2.预处理：创建衍生预测变量，剔除有缺失值的行，变量尺度变换（输入变量范围在【0,1】或【-1,1】之间最好），剔除趋势和季节因素

3.用户输入 

输入层节点数，隐藏层数，每个隐藏层的节点数，选择核函数，输出节点数

4.例

5.输出：包含模型参数估计，训练集和验证集的性能指标。

第八章 沟通和维护

8.1预测结果报告

单个时间序列，绘制预测数据和元数据的时序图

同时在图标上给出预测区间

8.2预测检测

绘制实际时间序列和预测值时间序列的时序图，看偏离方向和幅度。

绘制预测误差的时序图，看预测精确度的恶化。

质量控制图是一种含有控制上界和下届的时序图。

8.3写报告。 执行摘要+技术摘要

8.4保持预测记录。

8.5决策者的预测调整