分类目录归档：自研课程
以下是一个关于“AI from zero to hero”一年的视频课程大纲：
第一季度：基础构建（第 1 - 3 个月）
第二季度：机器学习深入（第 4 - 6 个月）
以下是一份补充了人工智能、机器学习和深度学习相关内容的“个人量化全栈开发 - 自研课程”大纲：
本课程旨在培养学员成为具备全栈开发能力且能运用人工智能技术的量化开发者，全面涵盖前端、后端、数据库、量化策略开发以及人工智能相关领域知识，通过丰富的实际项目案例，使学员掌握从数据获取、分析到可视化展示，以及构建智能量化交易系统的综合技能，为进入量化金融与人工智能融合的前沿领域或提升个人专业能力奠定坚实基础。
在时间序列预测领域（如销量预测、股价分析、电力负荷预估），我们常面临复杂挑战：历史数据中混杂着长期趋势、周期性波动、突发事件影响，以及外部变量（如天气、节假日、促销活动）。传统模型如ARIMA、LSTM或标准Transformer，往往难以同时高效捕捉这些不同时间尺度上的信息并理解它们之间的复杂关系，更难以解释预测结果的原因。
Temporal Fusion Transformer (TFT) 正是为解决这些难题而生。它由谷歌研究团队于2019年提出，融合了LSTM和Transformer两大架...
在当今大数据时代，时间序列预测（如股票走势、天气变化、设备故障预警）至关重要。传统模型如RNN、LSTM常受限于“长期依赖”问题——难以有效捕捉遥远数据点间的关系。而Transformer模型凭借强大的全局建模能力异军突起，TSFormer正是专为时间序列预测优化的Transformer变体，兼顾了高效与精准。
TSFormer的核心在于解决原始Transformer应用于超长序列时的两大痛点：
Prophet 是由 Facebook (现 Meta) 核心数据科学团队开发并开源的一款强大的时间序列预测工具。它的设计初衷是让分析师和业务人员（不一定需要深厚的时间序列理论或统计学背景）也能轻松地生成高质量、可解释的预测结果，尤其擅长处理商业领域常见的时间序列数据特征。
面向业务场景：
ARIMA（Autoregressive Integrated Moving Average），即自回归综合移动平均模型，是时间序列预测领域最经典、应用最广泛的工具之一。它擅长捕捉数据中的趋势、季节性和内在依赖关系，用于预测未来的数据点。
ARIMA模型认为，一个时间序列的值主要受三方面因素影响：
在金融、气象、交通等领域，精准预测未来趋势至关重要。传统LSTM模型虽擅长捕捉序列中的复杂模式，但它通常只给出一个“点预测”——即一个确定性的未来值。现实中，预测总伴随不确定性。PI-LSTM（Prediction Interval LSTM） 应运而生，它的核心目标不仅是预测“最可能的值”，还要清晰告诉使用者预测结果可能的波动范围有多宽——这就是预测区间（Prediction Interval, PI）。
想象预测明天股市收盘价： * 普通LSTM模型告诉你：“预测明天收盘是3050点。” * PI-...
在金融、气象、工业监控等领域，时间序列预测是核心任务。传统模型如ARIMA、LSTM常面临挑战：难以同时捕捉复杂的时间变化模式（如突变、周期性）。2023年，清华团队提出的TimesNet模型突破这一瓶颈，成为时间序列分析的新星。它无需复杂数学公式，就能带我们理解其精妙之处。
想象医生查看心电图： - 局部视角（传统CNN）：只能看到当前心跳的波形，忽略心跳间的规律。 - 长程视角（传统RNN）：能记住过去多次心跳，但细节易模糊。
更关键的是，真实时间序列像交织的绳索： - 变化周期多样：日气温（2...
在天气预报、交通流量预测、电力负荷分析等领域，我们常常面对的不再是孤立的时间点数据，而是同时蕴含时间变化与空间关联的复杂信息流。传统时间序列模型（如LSTM）擅长捕捉时间依赖，却难以有效建模空间位置间的相互影响；而纯空间模型又容易忽略动态演变过程。Spacetimeformer模型应运而生，其核心突破在于将Transformer的强大能力创新性地应用于统一建模时空维度，开辟了预测复杂时空现象的新路径。
一、核心思想：时空一体化的注意力网络
Spacetimeformer 的核心在于它看待数据的方式发生了根本转变：