时序实验室

这节课讲什么

让你理解时序数据的特点，学会时序数据的预处理方法。时序数据和图像数据有很大不同，处理方式也完全不一样，这节课帮你建立正确的认知。

时序数据的基本概念

• 什么是时间序列：按时间顺序排列的一系列数据点
• 时间戳、采样频率、时间窗口这些概念
• 单变量时序vs多变量时序

时序数据的特点

• 趋势性：数据长期的上升或下降趋势
• 季节性：周期性的重复模式，比如电力负荷的日周期、周周期
• 周期性：不固定周期的波动
• 平稳性：统计特性是否随时间变化，很多模型要求数据平稳
• 自相关性：当前值和历史值的相关程度

数据预处理

• 缺失值处理：前向填充、后向填充、插值、删除
• 异常值处理：3σ原则、IQR方法、滑动窗口检测
• 数据平滑：移动平均、指数平滑
• 归一化/标准化：MinMaxScaler、StandardScaler
• 差分操作：让非平稳序列变平稳

特征工程

• 滑动窗口特征：历史N个时间步的值作为特征
• 滞后特征：lag_1, lag_2, ...等
• 统计特征：窗口内的均值、方差、最大最小值
• 时间特征：小时、星期几、月份、是否节假日

数据划分

怎么学这节课

找一个公开的时序数据集（比如股票数据、电力负荷数据、气温数据），动手做一遍数据探索和预处理。画出时序图，观察数据的趋势和周期特点。尝试不同的预处理方法，看对数据的影响。

这节课讲什么

教你传统的时序分析方法。这些方法虽然不是深度学习，但在很多场景下依然有效，而且经常作为baseline使用。写论文的时候，通常要和这些传统方法做对比。

ARIMA模型

• AR（自回归）：用历史值预测当前值
• I（差分）：通过差分让序列平稳
• MA（移动平均）：用历史误差预测当前值
• 参数p、d、q的含义和确定方法
• 用ACF和PACF图辅助定阶
• SARIMA：带季节性的ARIMA

Prophet模型

• Facebook开源的时序预测工具
• 适合有明显趋势和季节性的数据
• 可以方便地加入节假日效应
• 对缺失值和异常值比较鲁棒
• 使用简单，几行代码就能出结果

指数平滑法

• 简单指数平滑：适合无趋势无季节性的数据
• Holt线性趋势：适合有趋势无季节性的数据
• Holt-Winters：适合有趋势有季节性的数据

评估指标

• MAE（平均绝对误差）：直观，和原始数据单位相同
• MSE（均方误差）：对大误差惩罚更重
• RMSE（均方根误差）：MSE开根号，单位和原始数据相同
• MAPE（平均绝对百分比误差）：百分比形式，便于比较

怎么学这节课

在真实数据集上把这些方法都跑一遍，对比效果。理解每种方法的适用场景和局限性。ARIMA要手动调参比较麻烦，Prophet用起来简单，两个都要会。

这节课讲什么

这是时序实验室的核心内容，教你用深度学习处理时序数据。深度学习模型可以自动学习复杂的时序模式，在很多任务上效果比传统方法好。

RNN系列

• RNN原理：通过隐藏状态传递历史信息
• RNN的问题：梯度消失，难以学习长期依赖
• LSTM：通过门控机制（遗忘门、输入门、输出门）解决长期依赖问题。时序预测的基础模型，必须掌握
• GRU：LSTM的简化版，参数更少，效果相近
• 双向LSTM：同时利用过去和未来的信息（仅用于分类任务）

Seq2Seq结构

• 编码器-解码器结构
• 编码器把历史序列编码成向量
• 解码器基于这个向量生成预测序列
• 适合多步预测任务
• 可以加入注意力机制提升效果

Transformer时序模型

• Informer：稀疏自注意力，处理长序列效率更高
• Autoformer：自相关机制，更好地捕捉周期性
• FEDformer：频域增强，利用傅里叶变换
• PatchTST：把时序切成patch处理
• 这些是现在论文常用的baseline，建议都了解一下

TCN（时序卷积网络）

• 用一维因果卷积处理时序
• 膨胀卷积扩大感受野
• 并行计算，训练速度比RNN快

时空模型（处理多变量+空间关系）

• ST-GCN：图卷积+时序建模
• 适合交通预测等有空间结构的数据

怎么学这节课

先把LSTM搞懂，在一个预测任务上跑通，理解输入输出的shape。然后学Transformer时序模型，对比和LSTM的区别。每个模型都要知道怎么准备数据、怎么构建模型、怎么训练和预测。

时序预测任务

根据历史数据预测未来的值，是最常见的时序任务。

• 单步预测vs多步预测：预测下一个时刻还是预测未来多个时刻
• 单变量预测vs多变量预测：用单个变量的历史还是多个变量的历史
• 直接预测vs递归预测：多步预测的两种策略
• 常见应用：股票预测、电力负荷预测、销量预测、天气预测

异常检测任务

识别时序数据中的异常点或异常片段。

• 基于重构的方法：用AutoEncoder重构，重构误差大的就是异常
• 基于预测的方法：预测值和真实值差异大的就是异常
• 基于聚类的方法：偏离聚类中心的点是异常
• 评估指标：时序异常检测的F1计算方式和普通分类不同，要用Point-Adjust或PA%K
• 常见应用：设备故障检测、网络入侵检测、心电异常检测

时序分类任务

把整个序列分到某个类别。

• 可以用RNN、1D-CNN、Transformer
• 常见应用：心电图分类、手势识别、活动识别
• UCR时序分类数据集：128个数据集，常用benchmark

怎么学这节课

选一个你感兴趣的任务（比如电力负荷预测或者心电图分类），从数据处理到模型训练到结果分析，完整做一遍。建议先做单步预测，再做多步预测，循序渐进。

这节课讲什么

教你怎么在基础时序模型上做改进，找到论文的创新点。

常见改进方向

• 引入注意力机制：让模型关注重要的时间步，学会哪些历史时刻对预测更重要
• 多尺度建模：同时捕捉短期和长期依赖，比如用不同大小的卷积核
• 引入外部知识：加入领域特征、节假日信息、天气信息等
• 结合图神经网络：处理多变量时序的空间关系，比如多个传感器之间的关系
• 频域方法：用傅里叶变换或小波变换提取频域特征
• 分解方法：把序列分解成趋势、季节性、残差分别建模

损失函数改进

• 加权损失：对重要时间步或重要变量给更大权重
• 多任务损失：同时预测多个目标
• 对抗损失：用GAN的思想提升生成质量

训练策略改进

• Teacher Forcing：训练时用真实值还是预测值作为下一步输入
• Scheduled Sampling：逐渐从真实值过渡到预测值
• 课程学习：从简单样本到困难样本