时间序列 · 实验实训

从理解时间结构，到做出可靠预测

从平稳性识别，到预测与监控

沿着诊断、建模、验证到监控的路径，完成八个递进实验。

实验主题

选择一个主题开始

每个主题都有独立页面，内容、方法和关联资料各自成组。

从序列诊断出发，依次学习 ARMA/ARIMA、指数平滑和时间序列分解。

把时间序列转为监督学习样本，构造不泄漏的特征，并比较 LSTM 多步预测策略。

用指标和告警阈值检查预测质量，再用综合自测串联全章方法。

精选实验

建议 2 学时。从趋势、季节与随机波动入手，建立“识别非平稳—差分—诊断”的分析起点。

建议 2 学时。通过 AR/MA 模拟、参数估计和信息准则选阶，建立经典统计预测流程。

建议 2 学时。从 SES 到 Holt 与 Holt–Winters，比较水平、趋势和季节项的递推预测。

建议 2 学时。将观测拆解为趋势、季节与残差，并用诊断量化分解效果。

建议 2 学时。将时序转为监督学习，构造滞后与滚动特征，并用时序交叉验证避免泄漏。

建议 2 学时。用滑动窗口组织样本，训练 LSTM，并比较递归与直接多步预测。

阅读路径

内容按主题分开呈现；来源和公开状态由材料清单记录。