01
时序预测概述
什么是时序预测、应用场景（金融、气象、工业）、模型评价指标（MAE, RMSE, MAPE）
基础指标
02
数据预处理基础
缺失值处理、异常值检测、数据平滑（移动平均、指数平滑）
清洗平滑
03
时间序列分解
趋势、季节性、残差分解（STL, X13-ARIMA）
分解STL
04
平稳性与差分
ADF检验、KPSS检验、差分操作、白噪声检验
统计检验
05
自相关与偏自相关
ACF图、PACF图、拖尾与截尾判断
ACFPACF
06
经典统计模型
AR模型、MA模型、ARMA模型原理与实现
ARMA统计
07
ARIMA模型
ARIMA(p,d,q)定阶、建模流程、残差诊断
ARIMA定阶
08
季节性ARIMA
SARIMA模型、季节性参数选择、案例实战
SARIMA季节
09
深度学习入门
为什么用深度学习做时序、RNN基础、BPTT算法
RNNBPTT
10
LSTM网络
LSTM原理、遗忘门/输入门/输出门、PyTorch实现
LSTM门控
11
GRU网络
GRU原理、与LSTM对比、实战案例
GRU对比
12
双向RNN
BiLSTM、BiGRU原理、适用场景
双向BiRNN
13
CNN for时序
1D-CNN原理、因果卷积、TCN网络
TCN因果
14
注意力机制
Attention原理、Self-Attention、Transformer在时序中的应用
AttentionTransformer
15
Informer模型
ProbSparse自注意力、蒸馏机制、长序列预测
Informer长序列
16
Autoformer模型
自相关机制、序列分解架构
Autoformer分解
17
PatchTST模型
Patch嵌入、通道独立策略
PatchTST嵌入
18
TimesNet模型
TimesBlock结构、多周期捕捉
TimesNet周期
19
模型训练技巧
学习率调度（Cosine, ReduceLROnPlateau）、早停法、梯度裁剪
训练调度
20
损失函数选择
MSE、MAE、Huber Loss、Quantile Loss
损失鲁棒
21
超参数调优
网格搜索、随机搜索、贝叶斯优化（Optuna）
调优Optuna
22
特征工程
滞后特征、滚动统计特征、时间特征（年/月/日/星期）
特征滚动
23
多变量时序预测
多输入多输出、编码器-解码器结构
多变量编码器
24
多步预测策略
直接预测、递归预测、多任务预测
多步策略
25
模型集成
Bagging、Stacking、加权平均融合
集成Bagging
26
不确定性量化
MC Dropout、Deep Ensemble、预测区间
不确定性区间
27
模型部署
ONNX导出、TensorRT加速、Flask API封装
部署ONNX
28
AutoML与时序
AutoTS、AutoGluon-Timeseries、NeuralProphet
AutoMLNeuralProphet
29
大模型与时序
LLM for Time Series、Time-LLM、PatchTST与LLM结合
大模型LLM
30
综合实战项目
从数据清洗到模型部署全流程（电力负荷预测案例）
实战全流程