1.4 下一步

本书将详细介绍不同的预测技术。我们将从一些非常基本的方法开始，如移动平均模型和自回归模型，我们将逐步考虑更多的因素，以便使用ARIMA、SARIMA和SARIMAX模型预测具有趋势和季节性模式的时间序列。我们还将处理高维时间序列，这要求我们对顺序数据使用深度学习技术。因此，我们必须使用CNN（Convolutional Neural Network，卷积神经网络）和LSTM（Long Short-Term Memory，长短期记忆）来构建神经网络。最后，你将学习如何使用自动化预测时间序列的工作。如前所述，本书中的所有实现都将用Python完成。

现在你已经理解了什么是时间序列，以及这些预测与你以前可能见过的任何传统回归任务有何不同，我们已经准备好并开始进行预测。然而，我们在预测方面的第一次尝试将集中在作为基线模型的简单方法上。

小结

❍时间序列是一组按时间排序的数据点。

❍时间序列的示例是股票的收盘价或室外温度。

❍时间序列可以分解为三个分量：趋势分量、季节性分量和残差分量。

❍设定预测目标以及在模型部署后进行监控是非常重要的。这将确保项目的成功和持久。

❍在建模时，切勿更改时间序列的顺序，不允许打乱数据。