一、预测建模基础

1. 数据建模六步法

(1) 选择模型：基于业务选择恰当的数据模型

(2) 属性筛选：选择对目标变量有显著影响的属性来建模

(3) 训练模型：采用合适的算法，寻找到最合适的模型参数

(4) 评估模型：进行评估模型的质量，判断模型是否可用

(5) 优化模型：如果评估结果不理想，则需要对模型进行优化

(6) 应用模型：如果评估结果满足要求，则可应用模型于业务场景

2. 数据挖掘常用的模型

(1) 数值预测模型：回归预测、时序预测等

(2) 分类预测模型：逻辑回归、决策树、神经网络、支持向量机等

(3) 市场细分：聚类、RFM、PCA等

(4) 产品推荐：关联分析、协同过滤等

(5) 产品优化：回归、随机效用等

(6) 产品定价：定价策略/最优定价等

3. 属性筛选/特征选择/变量降维

(1) 基于变量本身特征

(2) 基于相关性判断

(3) 因子合并（PCA等）

(4) IV值筛选（评分卡使用）

(5) 基于信息增益判断（决策树使用）

4. 训练模型及实现算法

(1) 模型原理

(2) 算法实现

5. 评估模型

(1) 评估指标

(2) 评估方法

(3) 残差评估

6. 模型优化

(1) 优化模型：选择新模型/修改模型

(2) 优化数据：新增显著自变量

(3) 优化公式：采用新的计算公式

7. 模型应用

(1) 模型解读

(2) 模型保存/加载

(3) 模型应用/预测

8. 好模型是优化出来的

二、时序模型基础

问题：无法找到影响因素，无法回归建模，怎么办？随着业务受季节性因素影响，未来的销量如何预测？

1. 回归预测vs时序预测

2. 时序预测的原理及应用场景

3. 常见时序预测模型

(1) 趋势类预测模型

(2) 季节类预测模型

(3) 平稳时序预测模型

(4) 其它高级模型

4. 时序建模的基本思想：因素分解思想

5. 时间序列的四个构成要素

(1) 长期趋势Trend

(2) 季节变动Seasonality

(3) 循环变动Circle

(4) 不规则变动Irregular

6. 季节性的3种模式

(1) 确定的季节性

(2) 随机平稳的季节性

(3) 随机非平稳的季节性

7. 季节性的检验

(1) 测量季节强度

(2) 检测非平稳季节性

(3) 相关性检验

(4) 自相关/偏相关分析

8. 时间序列分解

案例：时间序列的季节分解

三、时序模型评估

1. 拟合程度指标

(1) 判定系数：

2. 误差评估指标

(1) 平均绝对误差：MAE

(2) 根均方差：RMSE

(3) 平均误差率：MAPE

3. 信息损失准则指标

(1) 赤池信息准则（Akaike Information Criterion，AIC）

(2) 贝叶斯信息准则（Bayesian Information Criterion，BIC）

(3) HQIC（Hannan-Quinn Information Criterion，HQIC）

4. 评估方法

(1) 滚动交叉验证法（cross validation）

5. 其它评估

(1) 残差评估：白噪声评估

四、趋势预测模型

问题：无法找到影响因素，无法回归建模，怎么办？随着业务受季节性因素影响，未来的销量如何预测？

1. 移动平均

(1) 应用场景及原理

(2) 理解滑动窗口

(3) 移动平均种类

① 一次移动平均

② 二次移动平均

③ 加权移动平均

④ 移动平均比率法

(4) 移动平均关键问题

① 最佳期数N的选择原则

② 最优权重系数的选取原则

演练：销售额预测模型及评估

演练：快销产品季节销量预测及评估

2. 指数平滑

(1) 应用场景及原理

(2) 最优平滑系数的选取原则

(3) 指数平滑种类

① 一次指数平滑

② 二次指数平滑（Brown线性）

③ 三次指数平滑

演练：煤炭产量预测

3. Holt趋势模型（亦称二次指数平滑）

(1) Holt线性模型

(2) Holt指数模型

(3) 阻尼线性趋势

(4) 阻尼指数趋势

六、平稳序列模型

1. 平稳序列预测模型简介

2. 序列平稳性概念

(1) 恒定的均值

(2) 恒定的标准差

(3) 与位置无关的协方差

3. 序列平稳性检验

(1) 折线图法

(2) ACF/PACF图

(3) ADF检测法

4. 特殊平稳序列：白噪声

案例：序列平稳性检验

案例：白噪声检验

5. 平稳序列常用拟合模型

(1) AR(p)自回归模型

(2) MA(q)移动平均模型

(3) ARMA(p,q)自回归移动平均模型

6. 模型识别

(1) ACF图

(2) PACF图

7. 模型定阶

(1) 图形定阶（ACF/PACF）

(2) 最小信息准则定阶

8. 非平稳序列处理

(1) 平滑法

(2) 变量变换

(3) 差分运算：k步差分与d阶差分

9. ARIMA(p,d,q)建模流程

案例：上海证券交易所收盘价建模

10. SARIMA(p,d,q)(P,D,Q,S)模型

(1) 图形确定阶数

(2) 遍历确定阶数

11. 时序模型总结

七、机器学习时序模型

1. Prophet模型介绍

(1) 趋势拟合

(2) 季节性预测

(3) 节假日和特殊事件的影响

(4) 离群值分析

案例：销售额时序预测模型

2. NeuralProphet模型

3. GBDT集成模型

4. XGBoost模型

5. LightGBM模型

八、深度学习时序模型

1. LSTM模型简介

(1) 数据集构造

(2) 形状构造

(3) 滚动预测

案例：广告点击量时序建模

2. seq2seq框架

3. Transform模型

结束：课程总结与问题答疑。