時間序列與機器學習

第1 章時間序列概述 1
1.1 發展歷程 1
1.2 應用現狀 3
1.3 時間序列分類4
1.3.1 單維時間序列4
1.3.2 多維時間序列6
1.4 小結 8
第2 章時間序列的信息提取 9
2.1 特徵工程的入門知識9
2.1.1 特徵工程簡介9
2.1.2 數值型特徵 12
2.1.3 類別型特徵 17
2.1.4 交叉特徵 17
2.2 時間序列的預處理 18
2.2.1 時間序列的缺失值 18
2.2.2 時間序列的縮放 20
2.3 時間序列的特徵工程24
2.4 時間序列的統計特徵28
2.5 時間序列的熵特徵 32
2.6 時間序列的降維特徵38
2.6.1 分段聚合逼近38
2.6.2 分段線性逼近39
2.6.3 分段常數逼近41
2.6.4 符號逼近 42
2.6.5 最大三角形三桶算法43
2.6.6 用神經網絡自動生成特徵的算法 44
2.7 時間序列的單調性 53
2.7.1 線性擬合方法54
2.7.2 控制圖方法 55
2.7.3 均線方法 60
2.8 小結 63
第3 章時間序列預測 64
3.1 時間序列預測的統計方法 65
3.1.1 自回歸差分移動平均模型 65
3.1.2 指數平滑方法72
3.1.3 Prophet 75
3.2 時間序列預測的深度學習方法 83
3.2.1 循環神經網絡83
3.2.2 長短期記憶網絡 85
3.2.3 Transformer 90
3.2.4 Informer96
3.3 小結·100
第4 章時間序列異常檢測 101
4.1 異常類型及檢測方法分類 101
4.2 基於概率密度的方法 104
4.2.1 核密度估計原理 104
4.2.2 核密度估計方法 106
4.3 基於重構的方法 111
4.3.1 變分自編碼器 111
4.3.2 Donut 115
4.4 基於距離的方法 117
4.4.1 孤立森林 118
4.4.2 RRCF 121
4.5 基於有監督的方法 125
4.6 基於弱監督的方法 127
4.7 小結 129
第5 章時間序列的相似度與聚類 130
5.1 相似度函數 130
5.1.1 經典的相似度函數 131
5.1.2 基於分段聚合逼近的相似度函數 134
5.1.3 基於時間序列平滑的相似度函數 135
5.1.4 基於神經網絡的相似度算法 136
5.2 距離函數 137
5.2.1 歐氏距離 138
5.2.2 DTW 算法139
5.2.3 基於相似性的距離 140
5.2.4 基於符號特徵的距離 141
5.2.5 基於自相關性的距離 142
5.2.6 基於周期性的距離 143
5.2.7 基於模型的距離 144
5.3 基於特徵工程的聚類算法 145
5.4 基於距離和相似度的聚類算法 149
5.5 流式聚類算法 151
5.6 小結 154
第6 章多維時間序列 155
6.1 多維時間序列簡介155
6.2 單維時間序列與多維時間序列 156
6.2.1 廣告分析領域 156
6.2.2 業務運維領域 157
6.3 單維時間序列監控系統和多維時間序列監控系統的對比 159
6.4 根因分析 160
6.4.1 根因分析的基礎概念 160
6.4.2 人工執行根因分析的難度 163
6.4.3 OLAP 技術和方法 164
6.5 基於時間序列異常檢測算法的根因分析 165
6.5.1 時間序列異常檢測 165
6.5.2 根因分析的列表結構 170
6.5.3 根因分析的樹狀結構 172
6.6 基於熵的根因分析 173
6.6.1 熵的概念和性質 173
6.6.2 概率之間的距離 174
6.6.3 基於熵的根因分析方法 177
6.7 基於樹模型的根因分析 187
6.7.1 特徵工程和樣本 187
6.7.2 決策樹算法 187
6.8 規則學習 188
6.8.1 根因分析的列表結構 188
6.8.2 根因分析的樹狀結構 189
6.8.3 列表結構與樹狀結構的對比 191
6.8.4 規則的排序 192
6.9 小結 193
第7 章智能運維的應用場景 194
7.1 智能運維 194
7.1.1 智能運維的主要方向 195
7.1.2 智能運維的實施路徑 196
7.2 指標監控 197
7.2.1 硬件監控與軟件監控 198
7.2.2 業務監控 198
7.2.3 節假日效應 201
7.2.4 持續異常的情況 205
7.2.5 存在基線的情況 205
7.2.6 尋找基線的方法 206
7.3 容量預估和彈性伸縮 208
7.3.1 容量預估 208
7.3.2 彈性伸縮 209
7.4 告警系統 210
7.4.1 告警系統的定義與評估指標 210
7.4.2 告警關聯與收斂 212
7.4.3 基於相似性或聚類算法的告警關聯與收斂 214
7.4.4 基於告警屬性泛化層次的告警關聯與收斂 219
7.4.5 基於根因分析的告警關聯與收斂 224
7.5 小結 226
第8 章金融領域的應用場景 228
8.1 量化交易概述 229
8.1.1 數據230
8.1.2 因子 230
8.1.3 回測 231
8.2 因子特徵工程 231
8.3 資產定價 234
8.4 資產配置 241
8.5 波動率預測 243
8.6 小結 245
參考文獻 246