01
时间序列基础
什么是时间序列？趋势、季节、周期、残差构成要素
概念分解
02
数据预处理
清洗、缺失值处理（插值/前向填充）、异常初步识别
清洗插值
03
可视化分析
Matplotlib/Seaborn：时序图、ACF、PACF
绘图ACF
04
平稳性检验
ADF检验、KPSS检验、差分操作
统计检验差分
05
白噪声检验
Ljung-Box检验，判断序列是否包含有效信息
白噪声Ljung-Box
06
经典分解模型
加法/乘法模型，statsmodels时序分解
分解statsmodels
07
移动平均法
简单移动平均、加权移动平均，平滑与预测
平滑预测
08
指数平滑法
一次/二次/三次指数平滑 (Holt-Winters) 参数调优
Holt-Winters调参
09
AR模型
自回归原理、PACF定阶、Yule-Walker方程
ARYule-Walker
10
MA模型
移动平均原理、ACF定阶、可逆性条件
MA可逆性
11
ARMA模型
AR+MA结合，AIC/BIC准则定阶
ARMAAIC/BIC
12
ARIMA模型
差分整合移动平均自回归，建模流程：识别、估计、诊断、预测
ARIMABox-Jenkins
13
季节性ARIMA (SARIMA)
处理季节性时间序列，参数配置
SARIMA季节
14
模型诊断
残差分析、Q-Q图、残差自相关检验
诊断残差
15
时间序列预测
点预测与区间预测，滚动/多步预测策略
预测滚动
16
异常检测概述
点异常、上下文异常、集体异常
异常类型概念
17
基于统计的异常检测
3-Sigma、Z-Score、Grubbs检验
统计Grubbs
18
基于移动窗口的检测
滚动统计量（均值/标准差），动态阈值
滚动窗口阈值
19
基于分解的异常检测
残差分析 + Seasonal Decomposition + 阈值
分解残差
20
基于机器学习的异常检测
孤立森林 (Isolation Forest)、One-Class SVM
孤立森林SVM
21
基于深度学习的异常检测
Autoencoder重建误差、LSTM预测误差
AutoencoderLSTM
22
Prophet模型
Facebook Prophet原理、趋势/季节分解、变点检测
Prophet变点
23
Prophet实战
预测与异常点标记，参数调整
实战调参
24
LSTM时间序列预测
长短期记忆网络原理，数据窗口化，模型构建
LSTM窗口
25
LSTM异常检测
预测误差分析，自适应阈值，实时检测
LSTM自适应阈值
26
多变量时间序列
多变量数据处理，VAR模型，协整关系
VAR协整
27
特征工程
时间特征、滞后特征、滚动统计特征
特征滞后
28
模型评估
MAE/RMSE/MAPE，Precision/Recall/F1
评估指标
29
实战项目一
服务器CPU使用率异常检测与预测 (ARIMA+LSTM)
项目CPU
30
实战项目二
电商日销售额预测与促销异常检测 (Prophet+孤立森林)
项目电商