01
课程导论
什么是滚动预测？为什么需要模型再训练？课程目标与学习路径。
入门概览
02
时间序列基础
时间序列的构成要素（趋势、季节、周期、噪声），平稳性与差分。
理论核心
03
数据预处理实战
缺失值处理、异常值检测、时间戳对齐与重采样。
清洗实战
04
特征工程
滞后特征、滚动窗口统计量、时间编码（年、月、日、星期）。
特征构造
05
基线模型
朴素预测、移动平均、指数平滑，以及如何评估基线。
基准对比
06
经典模型：ARIMA
ARIMA模型原理、定阶与实现。
统计经典
07
机器学习模型
使用XGBoost/LightGBM进行时间序列预测。
树模型集成
08
深度学习模型
LSTM/GRU在时间序列中的应用。
RNN序列
09
模型评估指标
MAE、MSE、RMSE、MAPE、SMAPE，以及如何选择。
度量评估
10
滚动预测原理
固定窗口、扩展窗口、滑动窗口策略详解。
策略核心
11
滚动预测实现
Python代码实现滚动预测流程（walk-forward validation）。
代码实战
12
模型再训练策略
全量再训练 vs 增量再训练 vs 部分再训练。
策略更新
13
触发再训练的条件
基于时间、基于性能衰减、基于数据分布漂移。
触发监控
14
数据漂移检测
PSI、KS检验、特征分布监控实战。
漂移统计
15
模型版本管理
使用MLflow管理模型版本与训练元数据。
MLflow版本
16
自动化流水线
使用Airflow/Prefect编排滚动预测与再训练任务。
调度编排
17
特征存储
使用Feast/Feature Store管理时间序列特征。
特征平台Feast
18
模型服务化
使用FastAPI部署滚动预测模型。
API部署
19
监控与告警
预测结果监控、模型性能监控、数据质量监控。
监控告警
20
案例实战1：电商销量
电商销量滚动预测与周度模型再训练。
电商实战
21
案例实战2：CPU使用率
服务器CPU使用率滚动预测与异常检测。
运维异常
22
案例实战3：金融资产
金融资产价格滚动预测与风险控制。
金融风控
23
案例实战4：能源负荷
能源负荷预测与月度模型更新。
能源负荷
24
大规模数据处理
使用Dask/Ray进行分布式滚动预测。
分布式Dask
25
超参数优化
在滚动预测场景下如何进行超参数调优。
调优HPO
26
多模型集成
Stacking、Blending在滚动预测中的应用。
集成Stacking
27
不确定性量化
预测区间、分位数回归、蒙特卡洛dropout。
不确定性区间
28
冷启动问题
新场景下如何快速建立滚动预测基线。
冷启动基线
29
成本与收益分析
模型再训练的计算成本与业务收益权衡。
成本ROI
30
课程总结与未来展望
MLOps、AutoML与滚动预测的未来趋势。
总结趋势