幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

時間序列分析及其應用--基於R/新工科新商科大數據與商務智能系列

  • 作者：編者:丁詠梅|責編:王二華
  • 出版社：電子工業
  • ISBN：9787121508981
  • 出版日期：2025/08/01
  • 裝幀：平裝
  • 頁數：341
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書以經濟、管理、氣象、醫學、工業生產、金融等活動中產生的時間序列數據為對象，運用數學和統計學方法，進行時間序列的時域和頻域分析。本書將理論分析與數據案例相結合，從傳統經典時間序列模型到現代機器學習、深度學習、強化學習與時間序列數據融合，按由淺入深的方式編寫而成。
    本書有配套PPT課件、教學大綱、案例數據、R代碼等教學資源，智慧樹平台有教學視頻和練習題，提供多源、豐富的輔助學習工具。
    本書可以作為統計學、數據科學等相關專業本科生、碩士生學習相關課程的教材，也可以作為企業、政府等相關人員學習預測和決策方面知識的參考書。
作者介紹
編者:丁詠梅|責編:王二華
目錄
第1章  時間序列分析概述
  1.1  隨處可見的時間序列
  1.2  時間序列的定義
  1.3  時間序列分析的發展歷程
    1.3.1  描述性時間序列分析
    1.3.2  統計時間序列分析
  1.4  時間序列分析的基本流程與課程導論
    1.4.1  時間序列分析的系統化流程
    1.4.2  前置要求
    1.4.3  主要參考書目
  1.5  R語言
    1.5.1  R程序包的安裝
    1.5.2  調用R程序包
    1.5.3  查看函數的幫助文件
    1.5.4  R的函數
    1.5.5  賦值、註釋和對象命名
    1.5.6  元素與對象的類
    1.5.7  R的運算符
    1.5.8  R的數據讀取和存儲
    1.5.9  向量、矩陣和數據框的創建
    1.5.10  R對象類的判斷與轉換
    1.5.11  R中元素的引用與訪問
    1.5.12  條件篩選與排序
    1.5.13  R的工作路徑
    1.5.14  R繪圖
    1.5.15  R函數編寫
    1.5.16  R腳本編程
  習題
第2章  時間序列分析的基礎
  2.1  隨機過程
    2.1.1  隨機過程的定義
    2.1.2  隨機過程的矩統計量
    2.1.3  隨機過程的平穩性
  2.2  概率分佈與特徵統計量
  2.3  樣本的特徵統計量
    2.3.1  樣本均值
    2.3.2  樣本自協方差函數
    2.3.3  樣本自相關係數
    2.3.4  樣本偏自相關係數
  2.4  時間序列的平穩性的概念
    2.4.1  嚴平穩
    2.4.2  寬平穩
    2.4.3  平穩時間序列的統計性質
    2.4.4  平穩性的意義
  2.5  平穩性檢驗
    2.5.1  圖檢法
    2.5.2  ADF檢驗
    2.5.3  PP檢驗
    2.5.4  KPSS檢驗
  2.6  白雜訊

    2.6.1  定義
    2.6.2  純隨機序列的性質
    2.6.3  純隨機性檢驗
  2.7  時間序列過程的自回歸和移動平均
  2.8  線性差分方程
    2.8.1  差分的定義
    2.8.2  延遲運算元
    2.8.3  差分方程及其求解
    2.8.4  時間序列模型與線性差分方程的關係
  習題
第3章  平穩時間序列分析
  3.1  AR模型
    3.1.1  AR模型的定義
    3.1.2  AR模型的平穩性
    3.1.3  平穩AR模型的統計性質
  3.2  MA模型
    3.2.1  MA模型的定義
    3.2.2  MA模型的統計性質
    3.2.3  MA模型的可逆性
    3.2.4  MA（q）模型的偏自相關係數
  3.3  ARMA模型
    3.3.1  ARMA（p，q）模型的平穩性與可逆性
    3.3.2  可逆性與AR（∞）模型
    3.3.3  平穩性與MA（∞）模型
    3.3.4  ARMA模型的統計性質
  3.4  平穩時間序列建模步驟
  習題
第4章  平穩時間序列的擬合與預測
  4.1  模型識別
  4.2  模型定階
  4.3  參數估計
    4.3.1  矩估計
    4.3.2  最小二乘估計
    4.3.3  最大似然估計
  4.4  模型檢驗
    4.4.1  模型顯著性檢驗
    4.4.2  參數顯著性檢驗
  4.5  模型優化
  4.6  模型預測
  4.7  應用舉例：荷爾蒙激素濃度序列分析
  習題
第5章  非平穩時間序列的隨機分析
  5.1  Wold和Cramer分解定理
    5.1.1  Wold分解定理
    5.1.2  Cramer分解定理
  5.2  差分及其實現
    5.2.1  差分與差分運算元
    5.2.2  差分運算與平穩化方法
  5.3  ARIMA模型
  5.4  疏係數模型

  5.5  季節模型
    5.5.1  季節AR模型
    5.5.2  季節MA模型
    5.5.3  季節ARMA模型
    5.5.4  乘積季節模型
  5.6  GARCH模型
    5.6.1  異方差
    5.6.2  條件異方差模型
    5.6.3  廣義自回歸條件異方差模型
  5.7  案例分析：道瓊斯工業平均指數
  習題
第6章  非平穩時間序列的確定性分析
  6.1  時間序列的因素分解
  6.2  平滑法
    6.2.1  簡單指數平滑
    6.2.2  Holt兩參數指數平滑
    6.2.3  Holt-Winters三參數指數平滑（加法模型）
    6.2.4  Holt-Winters三參數指數平滑（乘法模型）
  6.3  移動平均法
    6.3.1  中心移動平均
    6.3.2  X11模型
  6.4  序列變換
    6.4.1  對數變換
    6.4.2  Tukey變換
    6.4.3  Box-Cox變換
  6.5  回歸法
    6.5.1  殘差自回歸
    6.5.2  馬爾可夫區制轉換自回歸模型
  習題
第7章  多元時間序列分析
  7.1  ARIMAX模型
  7.2  干預模型
  7.3  虛假回歸
  7.4  協整與誤差修正模型
    7.4.1  單整
    7.4.2  協整
    7.4.3  誤差修正模型
  7.5  Granger因果模型
  7.6  向量自回歸模型
    7.6.1  VAR（p）過程
    7.6.2  VAR模型的估計
    7.6.3  VAR模型的脈衝響應和方差分解
  習題
第8章  時間序列的頻域分析和濾波
  8.1  周期性
  8.2  譜密度
  8.3  譜估計
    8.3.1  非參數譜估計
    8.3.2  參數譜估計
  8.4  線性濾波器

  習題
第9章  時間序列的機器學習/深度學習模型
  9.1  時間序列分析中的機器學習
  9.2  特徵工程與時間序列預處理
    9.2.1  時間序列特徵提取
    9.2.2  時間序列降維
    9.2.3  數據預處理
  9.3  時間序列回歸模型
    9.3.1  支持向量回歸
    9.3.2  回歸樹
  9.4  時間序列分類和聚類模型
    9.4.1  分類模型
    9.4.2  聚類模型
  9.5  時間序列異常值檢測模型
  9.6  時間序列降維與特徵提取
  9.7  時間序列的生成對抗網路模型
  9.8  時間序列的注意力機制模型
  習題
第10章  時間序列的強化學習模型
  10.1  強化學習的基本理論
    10.1.1  強化學習的概念與基礎
    10.1.2  強化學習的主要演算法
  10.2  時間序列的策略優化與控制
    10.2.1  時間序列的策略優化模型
    10.2.2  強化學習在時間序列控制中的應用
  10.3  時間序列異常檢測中的強化學習
    10.3.1  DQN模型化與演算法
    10.3.2  DDPG
    10.3.3  PPO
  10.4  強化學習與時間序列模型的聯合優化
    10.4.1  基於強化學習的時間序列優化預測
    10.4.2  時間序列中的多智能體強化學習
  10.5  時間序列強化學習模型的評價與改進
    10.5.1  模型評價與改進方向
    10.5.2  基於強化學習的時間序列應用
  習題
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032