全文总结 这是一本关于时间序列预测的书籍相关介绍，作者为MANNING Marco Peixeiro 。书中涵盖了时间序列预测的核心概念、统计模型、深度学习以及自动化预测等多方面内容。开篇介绍时间序列的定义、分解以及预测项目生命周期等基础概念。接着详细阐述多种统计模型，如随机游走模型、移动平均模型、自回归模型及其组合ARMA、ARIMA模型等，包括模型原理、如何通过自相关函数（ACF）、偏自相关函数（PACF）等工具辅助建模，以及利用AIC准则、Q - Q图、Ljung - Box检验和残差分析等进行模型评估与选择。在深度学习部分，介绍其在时间序列预测中的应用，包括数据窗口处理、创建基线，以及LSTM、CNN等具体模型的应用。最后讲述如何利用Prophet进行自动化时间序列预测，并通过多个实际案例，如预测澳大利亚抗糖尿病药物处方数量、加拿大牛排月平均零售价格等，贯穿各部分内容，展示不同方法在实际场景中的运用。同时还提及了书籍购买信息、版权声明、参与编辑人员等信息。 重要亮点 - 核心概念部分：开篇明确时间序列预测基础概念，如时间序列定义，即按时间顺序排列的数据序列，这是后续分析的基础。时间序列分解能将数据分解为趋势、季节性和残差等成分，帮助理解数据背后的规律。预测项目生命周期则指导从项目起始到结束的流程，让读者明白如何系统地开展预测工作。 - 统计模型：介绍多种基础且重要的统计模型。随机游走模型假设未来值是当前值加上随机误差，常用于描述价格等无明显趋势的序列。移动平均模型MA(q)通过对过去误差的加权平均来预测未来值，其ACF图能直观反映模型特征。自回归模型AR(p)利用过去值预测未来值，PACF图可辅助确定模型阶数。这些模型是时间序列预测的重要工具，不同场景下各有优势。 - 深度学习应用：深度学习在大规模时间序列预测中展现强大能力。通过数据窗口处理，将序列转化为适合深度学习模型输入的格式。LSTM模型能有效处理序列中的长期依赖问题，CNN模型可对时间序列进行特征提取与滤波。例如在预测家庭电力消耗案例中，这些模型可挖掘复杂数据特征，实现更精准的预测。 - 自动化预测：Prophet是自动化时间序列预测的有力工具，它能自动处理趋势、季节性和节假日效应等。在预测加拿大牛排月平均零售价格案例中，Prophet可快速构建模型并给出预测结果，大大提高预测效率，适用于大规模时间序列预测场景，降低人工干预成本。