时间序列分析预测环境变化趋势

📚 共计 30 章节

环境数据概览

什么是时间序列数据？环境监测中的常见数据类型（温度、湿度、PM2.5、CO₂浓度）。

数据获取与清洗

使用Pandas读取CSV/Excel环境数据，处理缺失值与异常值。

Pandas预处理

数据可视化入门

用Matplotlib绘制环境指标随时间变化的折线图。

Matplotlib折线图

时间序列分解

趋势、季节性与残差成分的概念与可视化。

分解季节性

平稳性检验

什么是平稳序列？使用ADF检验判断数据平稳性。

差分与变换

一阶差分、对数变换让非平稳数据变平稳。

自相关与偏自相关

ACF和PACF图解读，识别AR和MA阶数。

ARIMA模型基础

自回归(AR)、差分(I)、移动平均(MA)三部分详解。

ARIMA模型定阶

根据ACF/PACF图确定p,d,q参数。

ARIMA模型实战

使用statsmodels构建并拟合ARIMA模型。

statsmodels实战

残差分析、Ljung-Box检验判断模型是否合格。

模型预测与评估

使用滚动预测，计算RMSE、MAE等指标。

SARIMA模型处理具有周期性规律的环境数据。

SARIMA季节性

SARIMA参数选择

通过网格搜索自动确定最优(P,D,Q,s)参数。

网格搜索调参

Prophet模型入门

Facebook Prophet的安装与基本使用。

拟合环境数据，处理节假日效应与突变点。

节假日突变点

Prophet诊断与调优

调整季节性与节假日参数提升预测精度。

调优季节性

循环神经网络(RNN)基础与LSTM原理。

LSTM数据预处理

时间序列监督化、归一化与滑动窗口构建。

预处理滑动窗口

Keras搭建LSTM

构建单层/多层LSTM模型预测温度序列。

调整神经元数、批次大小、学习率与早停策略。

直接多步、递归多步与Seq2Seq预测策略对比。

多变量预测

利用多个环境因子（如风速、气压）联合预测目标变量。

多变量因子

时间特征（小时、星期、月份）与滞后特征构建。

模型对比框架

统一评估标准，对比ARIMA、Prophet、LSTM性能。

简单平均、加权平均与Stacking融合多个模型。

基于预测残差的实时环境异常告警系统设计。

不确定性量化

预测区间与置信区间的计算与可视化。

区间置信度

部署与自动化

将模型封装为API，定时拉取数据自动预测。

综合项目实战

构建一个完整的环境变化趋势预测系统（从数据到报告）。